论文阅读：PRNet

论文阅读：PRNet

PRNet: Self-Supervised Learning for Partial-to-Partial Registration

1、现存问题

PointNetLK和DCP证明了基于学习的配准可以比传统方法更快和鲁棒，但是依旧在处理部分-部分配准上效果不好

2、创新点

引入Gumbel-Softmax来确定采样关键点间的对应关系，实现网络的直通梯度估计，以获得一个尖锐和近可微的映射函数
设计了一种actor-critic closest point 模块能够更好的预测比具有固定参数的可微软对应方法更精确的刚性变换

3、内容

3.1 DCP

它使用DCP模仿ICP的迭代过程，使用孪生DGCNN来计算点云间的映射关系m

3.2 Partial Registration Network

网络的步骤：
1.输入点云X和Y
2.检测X和Y的关键点
3.预测X和Y的关键点间映射
4.基于关键点和映射预测X和Y间的刚性变换R和T
5.将Y或者X利用RT变换后重新回到步骤1
关键点检测：设计了一个关键点检测模块，他是基于特征法向量的L2距离来判断点的重要性，用了TopK，最大的K个点作为关键点（DGCNN内容）
Gumbel-Softmax 采样器：
ICP自己的映射不可微,DCP的映射可微但是模糊，现在希望得到一个可微且清s晰的映射关系
所以采用直通梯度估计器，这个模块近似可微
Loss Fuction引入了一个打折因子r(没看懂作用？？？)

4、实验和细节

测试发现其在部分配部分的效果也不太好，主要原因应该是DGCNN提取的特征是基于完整点云，也就是说两个相同的局部特征，但是由于两个待配准点云全局不同，会导致其特征不同
github代码能跑