DDN教程笔记(一)

跨域描述符LCD可以实现二维图片特征点到三维点云特征点的配准，是个具有通用性的深度学习特征描述子。（图片来源于论文）在Github开源的源码里面给出了利用LCD进行的例程。align_point_cloud.py，这里对例程如何使用已经训练好的模型来进行三维点云配准进行解析。

整个文章系列将介绍LCD、2D-3D MatchNet、三元损失函数、VGG-Net、图神经网络等内容。

在较新版本的Open3D中registration被放在了pipelines下面，所以调用时要把原来的。我的Open3D用着一直没毛病，所以大概率是版本变动了库文件路径。在跑用老版本Open3D库的程序时报了错。在Github上也有人出现了类似情况。

论文介绍了一种新的方法——直接从点云中提取可见性信息。点云是一个包含3D位置信息的采样点集，与传统的网格表示相比更加简单和灵活。通过提取点云中的可见性信息，可以实现点集的可视化、视角相关的快速重构和实时的阴影投射。本文提出的方法简单快速，不依赖于屏幕分辨率和网格拓扑结构，并且适用于各种维度的点云。另外还对算法进行了理论证明，并给出了实验结果和应用示例。

3dmm源码解析的第二部分

近年来，增强现实应用不断涌现。这类应用需要将三维模型与二维图像进行匹配。同样，大规模位置识别系统可能需要定位拍摄 2D 图像的准确位置。为此，必须对二维和三维数据进行注册或对齐。如果不能确保被对齐的二维和三维数据是同一现实的相同表现形式，即它们之间存在匹配关系，则无法执行此类操作。因此，在通过 2D-3D 注册对齐匹配对之前，有必要完成 2D-3D 匹配任务。寻找在图像patch和点云patch上

受课程的大作业启发，仔细学习了下反向传播的具体实现过程。我们都知道CNN在训练时既有前向传播也有反向传播，但是在Pytorch中只需要一行代码就可以实现反向传播。我们不必手动实现它们。因此，大多数深度学习书籍也没有涵盖它。文章会从三部分进行分析。

3dmm源码解析的第二部分