基于学习的ICP进行场景重组

通过在房间周围移动深度传感器，我们计算出环境的3D CAD模型，捕捉房间形状以及椅子、书桌、沙发和桌子等内容物。我们并非重建几何，而是将场景中每个物体匹配、放置并对齐到数千个物体CAD模型。除全自动系统外，关键技术贡献是一种基于深度强化学习的、将CAD模型对齐到3D扫描的新方法。我们称此方法为基于学习的ICP（Learning-based ICP，LICP），它通过学习最佳匹配点并条件于物体视角，优于文献中先前的ICP方法。LICP仅使用合成数据学习对齐，且不需要真实场景扫描中物体位姿或关键点配对匹配的 ground truth 标注。尽管LICP在合成数据上训练且无需3D真实场景标注，它在真实场景中优于学习的局部深度特征匹配与基于几何的对齐方法。所提方法在SceneNN与ScanNet的真实场景数据集以及SUNCG的合成场景上评估。在一系列真实世界场景上展示了高质量结果，对杂乱、视角与遮挡具有鲁棒性。