- 3D 정합 점 선택을 위한 상호 투표 방법
- 유권자 ↔ 후보자 양방향 투표 방식 따름
→ 투표 집합 내에서 신뢰할 수 없는 유권자의 존재 가능성은 무시.
- 상호 투표 방식으로 유권자와 후보자를 모두 정제하여 대응에 대한 신뢰할 수 있는 점수 결과를 얻음
1)
- 초기 대응 집합을 호환성 그래프로 모델링
- 각 노드는 단일 대응으로 나타내고 두 노드 사이의 각 에지는 기하학적으로 호환되는 대응쌍
2)
- 노드 클러스터링 계수를 도입하여 일부 외란을 예비적으로 제거하고 후속 투표 과정을 가속화
- 노드 클러스터링 계수 : 외란을 예비적으로 제거하기 위해 도입됨 ( 그래프에서 일부 외란 노드를 제거하기 위해 도입)
3)
- 그래프의 노드와 에지를 각각 후보자와 유권자로 렌더링
- 이후 노드 ↔ 에지 상호 투표를 수행하여 모든 대응에 대한 투표 점수를 계산
- 대응을 투표 점수에 따라 내림차순으로 랭킹하고 상위 랭킹된 것을 정합 점으로 인식
차이점 : 최근 그래프 기반 방법인 SC2-PCR 과 MV의 두 가지 차이점
1) SC1-PCR은 대응에서 강제 변환을 출력하는 변환 추정기인 반면, MV는 대응 선택을 수행
2) 둘 모두 그래프 공간에서 실행되지만, 대응에 대한 레이블/점수의 정의가 더 중요한 역할을 함
3) MV는 새로운 상호 투표 방식을 통해 대응에 점수를 매기는 반면, SC2-PCR은 신뢰할 수 있는 몇몇 시드 대응을 찾아 가설을 생성
- 3D 대응 랭킹을 위한 MV 방법을 제안 : 유권자와 후보자를 정제하여 신뢰할 수 있는 점수 결과를 얻는 상호 투표 메커니즘 제안
- MV는 대응 기반 후속 작업의 성능을 효과적으로 향상가능
1) 그래프 국축 : 각 노드는 단일 대응을 나타내고 두 노드 사이의 각 에지는 기하적으로 호환되는 대응 쌍을 나타냄
2) 노드 클러스터링 계수 계산 : 그래프 노드가 주변을 얼마나 밀접하게 포용하는지 측정하여 네트워크가 얼마나 밀접한지 나타냄
3) 상호 투표 : 후보자 ↔ 투표자
)노드 → 에지 투표: 우리는 노드 → 에지 투표를 수행하여 후속 에지 → 노드 투표 과정에 가중치를 할당합니다. 각 에지에 대해 "호환 노드 집합" (CNS)을 찾으려고 함
에지 → 노드 투표: 이 단계에서, 에지는 투표자가 됩니다. 그림 1(d)에 나타난 것처럼, 노드는 CNS가 비어 있지 않은 인접 에지에 의해 투표됩니다. 더 구체적으로, 노드 ci에 대한 투표 점수 계산함
4) 대응 랭킹 : 모든 입력 대응은 투표 점수를 기준으로 내림차순 정렬
특징 매칭 실험
Rgt와 tgt는 각각 지면 실측 회전 행렬과 변환 벡터를 나타내고, dinlier는 거리 임계값으로 실험에서 5pr로 설정 여기서 'pr'은 포인트 클라우드 내에서 가장 가까운 이웃에 대한 점의 평균 가장 가까운 거리를 나타내는 거리 단위
평가 지표로서 상위-K 대응 하위 집합에 대한 이너의 재현율을 사용 K의 값을 변화시키고 해당 하위 집합에서 이너의 수를 기록하여 다른 K의 설정에 대한 곡선을 그릴 수 있음
