dloading7的博客

DCP可以算是小数据集ModelNet40上使用深度学习做配准的开山之作了，首先放一下整体模型架构图：总体来说，DCP模型主要由4个部分构成：1. 初始特征生成（Initial Feature Embedding）2. 注意力机制模块（Attention）3. 虚拟匹配对生成（Pointer Generation）4. SVD解位姿下面按照这几个模块的顺序依次进行分析：Initial Feature Embedding对于输入的X（source）与Y（target）点云，首先使用DGCN

PCRNet算是在ModelNet40这种object-centric数据集上用deep-learning做配准最好入手的一篇文章了，整体架构涉及简洁明了，一句话描述就是简单粗暴，话不多说，直接上网络架构图：Work Flow:首先对输入source (N×3N \times 3N×3)与template (M×3M \times 3M×3)进行PointNet操作，即MLP + max-pooling后，分别得到描述各自点云的维度为1024的global feature vector：Φ(PS).