PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration

学习旋转不变特征是点云配准的基本要求。现有方法通常使用旋转敏感网络提取特征，同时采用旋转增强学习粗略的不变映射。这使得网络对旋转敏感、过重，并阻碍了特征的独特性。为了解决这些问题，我们提出了一种新颖的位置感知旋转等变网络，用于高效、轻量级和稳健的配准。该网络可以提供强大的模型归纳偏差，学习旋转等变/不变特征，从而解决上述限制。为了进一步提高描述符的独特性，我们提出了一种位置感知卷积，可以更好地学习局部结构的空间信息。此外，我们还提出了一种基于特征的假设提出器。它利用编码细粒度结构方向的旋转等变特征生成可靠的模型假设。每个对应关系都可以生成假设，因此比需要多个可靠对应关系的经典估计器更有效。相应地，我们提出了对比旋转损失，以增强旋转等变特征对数据退化的稳健性。在室内和室外数据集上的广泛实验表明，我们的方法在保持轻量级和快速速度的同时，在配准召回率方面显著优于SOTA方法。此外，对旋转数据集的实验表明，它对旋转变化具有稳健性。代码可在https://github.com/yaorz97/PARENet上获得。

该论文旨在解决点云配准中旋转不变特征的学习问题，提出了一种位置感知的旋转等变网络，以及一种基于特征的假设提议方法。

论文提出了一种旋转等变网络，以学习旋转等变/不变特征，从而提高点云配准的效率、轻量级和鲁棒性。此外，论文还提出了一种位置感知卷积和特征假设提议方法，以提高描述符的鲁棒性和可靠性。

该论文的亮点包括：1）提出了一种旋转等变网络，用于学习旋转等变/不变特征；2）提出了一种位置感知卷积，用于更好地学习局部结构的空间信息；3）提出了一种基于特征的假设提议方法，可以生成可靠的模型假设；4）使用对比旋转损失增强了旋转等变特征的鲁棒性；5）在室内和室外数据集上进行了广泛的实验，证明了该方法在点云配准方面的显著优势，同时保持轻量级和快速速度；6）开源了代码。

近期在这个领域中的其他相关研究包括：PointNet、PointNet++、RS-CNN、DGCNN等。