Hluboké neuronové sítě pro sesouhlasení 3D modelů

Abstract

Zosúhlasovanie 3D modelov je často robené za pomoci registrácie mračien bodov. Úloha registrátie spočíva v nájdení transformácie, ktorá na seba zarovná dané mračná bodov. Existuje mnoho metód založených na hlbokom učení, ktoré sa daju deliť do dvoch kategórií. Tieto metódy zvyčajne poskytujú vyhodnotenie v rámci jednej kategórie a navyše na ro- zličných datasetoch či metrikách. Táto práca sa zaoberá hlbším prieskumom metód Lepard a FINet. Za pomoci datasetov ModelNet40 a Teeth3DS je vykonaná séria experimentov zameriavajúca sa na zložíté prípady registrácie. Experimenty ukázali, že FINet dokáže zarovnať predtým nevidené tvary s translačnou chybou 4.16% veľkosti modelu a rotačnou chybou 3.640 stupňov. Zatiaľ čo Lepard má translačnú chybu 6.73% veľkosti modelu a rotačnú chybu 7.265 stupňov.The problem of mesh alignment is often solved through point cloud registration. Numer- ous deep learning-based registration methods are published every year achieving state-of- the-art results. Based on their core concepts, the methods can loosely be divided into correspondence-based and correspondence-free. Even though comparisons of individual methods exist, the cross-evaluations of both categories are lacking. In this work, a deeper evaluation of Lepard and FINet models is presented. For this purpose, the ModelNet40 and Teeth3DS datasets are used. The experiments show that FINet is able to align unseen shapes, obscured by partiality and noise with a translation error of 4.16% of model size and a rotation error of 3.640 degrees. While Lepard manages this with a translation error of 6.73% of model size and a rotation error of 7.265 degrees.