정합을 행동으로 보기
삼차원 모형을 관측에 맞추는 일을 여러 차례의 정렬 행동으로 표현한다. ReAgent는 반복적인 점군 정합에서 어떤 행동을 선택할지 학습하는 접근이다.
전문가 정책의 모방
안정적인 전문가 정책을 바탕으로 모방 학습을 수행한다. 이를 통해 이산적인 정합 정책을 초기화해 강화 학습의 출발점을 마련한다.
정렬 보상
연구에서 제안한 정렬 보상을 사용해 정책을 최적화한다. 모방만 수행하는 데서 끝나지 않고 정합 결과에 따른 신호로 행동 선택을 개선한다.
합성과 실제 관측의 평가
ModelNet40의 합성 자료와 ScanObjectNN의 실제 자료에서 정합을 비교했다. LINEMOD에서는 실제 물체 자세 추정의 정교화에도 적용해 활용 가능성을 살폈다.
관련 문서
모방 학습 / 강화 학습 / PointNetLK / RPM-Net 점군 정합 / REGTR / 기하 정합