PPFNet: Global Context Aware Local Features for Robust 3D Point Matching

一、摘要部分：

1.Point Pair Feature NETwork for deeply learning a globally informed 3D local feature descriptor to find correspondences in unorganized point clouds.
點對特徵網路用於深度學習全域性資訊的三維區域性特徵描述符以尋找散亂點雲中的對應關係。
2.As opposed to voxelization, our method is able to consume raw point clouds to exploit the full sparsity.

二、論文插圖部分：

[注]圖片源於論文

Figure1.PPFNet generates repeatable, discriminative descriptors and can discover the correspondences simultaneously given a pair of fragments. Point sets are colored by a low dimensional embedding of the local feature for visualization. 3D data and the illustrative image are taken from 7-scenes dataset.

三、公式部分：

[注]公式源於論文
Point Pair Features (PPF) Point pair features are antisymmetric 4D descriptors, describing the surface of a pair of oriented 3D points x1 and x2, constructed as:
點對特徵是反對稱4D描述符，描述一對定向3D點x1和x2的表面，其構成為：

where d denotes the difference vector between points, n1 and n2 are the surface normals at x1 and x2. ||·|| is the Euclidean distance and ∠ is the angle operator computed in a numerically robust manner as in [2]:
其中d表示點之間的差向量，n1和n2是x1和x2上的表面法線。||·||是歐幾里得距離，∠是以“數值穩健的方式”計算的角度算符，如參考文獻[2]：

∠(v1, v2) is guaranteed to lie in the range [0, π).
∠(v1, v2)確保在[0, π)範圍以內。
By construction, this feature is invariant under Euclidean transformations and reflections as the distances and angles are preserved between every pair of points.
通過構造，該特徵在歐幾里德變換和反射下是不變的，因為每一對點之間的距離和角度都保持不變。

每週讀一些論文的計劃其實很早就有了，出於一些原因一直沒有完成。
既然想了，就還是要做到。
主要想通過記筆記的方式記錄每週的學習過程，也算是督促自己的一種方式。
雖然可能一開始對自己來說會有一些難度，不過我還是相信只要堅持就一定會有進步。
這周看得這篇文章其實還沒太看出個所以然，只是對作者想要做的事有了大致的瞭解。
下週爭取能夠理解得深入一些，對深度學習的學習也要提上日程了。
可能一些地方翻譯得理解得不是很到位，如有任何問題還望及時批評指正。