PPFNet：用于鲁棒三维点匹配的全局长程感知局部特征

我们提出 PPFNet——点对面特征网络（Point Pair Feature NETwork），用于深度学习方法获取全局感知的三维局部特征描述子，以在无组织点云中寻找对应关系。PPFNet 在纯几何上学习局部描述子，并高度感知全局上下文，这是深度学习中的一个重要线索。我们的三维表示计算为点对面特征（point-pair-features）的集合，并结合局部邻域内的点与法线。我们受 PointNet 启发的置换不变网络设计使 PPFNet 具有顺序无关性。与体素化不同，我们的方法能够直接消费原始点云以利用完整的稀疏性。PPFNet 使用一种新颖的 $\textit{N-tuple}$ 损失与架构，将全局信息自然地注入局部描述子。这表明上下文感知也提升了局部特征表示。对我们网络定性与定量的评估表明，召回率提高、鲁棒性与不变性改善，并且在三维描述子提取性能上迈出了重要一步。