SGP：自我监督的几何感知
[CVPR 2021口头]自我监督的几何感知
介绍
简而言之，就我们所知，SGP是第一个在几何感知中进行特征学习的通用框架，而无需来自地面真实几何标签的任何监督。
SGP以EM方式运行。 它迭代执行几何模型的鲁棒估计以生成伪标签，并在嘈杂的伪标签的监督下进行特征学习。
我们将SGP应用于相机姿态估计和点云配准，证明其性能在大规模真实数据集中可与监督的oracle媲美甚至更好。
相机姿势估计
可以使用5pt-RANSAC生成的相对姿势标签训练类的深层图像特征，并通过手工制作的SIFT功能进行引导。 以后可以将它们用于鲁棒的相对摄像机姿态估计。
点云注册
深3D功能，如可以通过3点，RANSAC产生相对位姿标签，由手工FPFH功能bootstraped培训。 以后可以将它们用于鲁棒点云注册。
代码
快来了！
引文
@inproceedings{yang2021s
