겹치지 않는 점의 영향
전역 특징은 점군 전체를 요약할 수 있지만 한쪽에만 보이는 부분도 함께 반영한다. OMNet은 이러한 비겹침 영역의 부정적인 영향을 줄이는 데 초점을 맞춘다.
겹침 마스크
학습한 마스크로 비겹침 영역을 제외해 두 관측의 공통 형상을 중심으로 정합한다. 마스크 예측을 포함한 전역 특징 기반 네트워크가 반복적으로 정렬을 수행한다.
관측을 따로 표본화하기
하나의 CAD 모형에서 점을 한 번만 뽑아 양쪽 입력으로 재사용하면 동일한 표본에 과적합할 수 있다. 연구는 원본과 기준 점군을 각각 별도로 표본화하는 자료 생성 방식을 제안했다.
부분성과 잡음의 평가
논문은 부분 관측과 잡음이 있는 조건에서 기존 기하 및 학습 기반 방법과 비교했다. 희소한 점 대응을 먼저 구하는 방식과 달리, 겹치는 영역을 고른 전역 표현을 활용한다.
관련 문서
PRNet 부분 정합 / RPM-Net 점군 정합 / DeepGMR / CoFiNet 점군 정합 / 기하 정합 / 점군