【論文雑読み】 IRON: Invariant-based Highly Robust Point Cloud Registration -

7 Mar 2021

外れ値の多い点群に対するRegistration問題について，scale, rotation, translationをそれぞれ最適化することでロバストな推定が可能なことを提案
まずは，RANSIC（RANdom Samples with Invariant Compatibility）によってinlierを探しscaleを推定
次に，得られたscale情報を使って，半正定値計画問題を解く．この定式化は最適化を簡単にするらしい
scaleが既知，未知のケースにおいて99%も外れ値がある点群に対してロバストな推定が可能なことを示した（すごすぎないか？）
Controlled experiments（データに人工的な加工をしたものに対する実験）しか行っていないので，publicなデータセットでの比較がほしい

もはや正解かどうかが見分けつかないほど外れ値が多いが，正確に推定しているらしい

でも，実応用的には，inlierにも位置ずれ的なノイズがのっており，完全に位置が一致する点群に外れ値が大量に追加されることは少ないと考えられるが，どういった応用なのかが気になる

↓のように部屋の中で物体を見つけるタスクにはちょうどよいみたい