几何深度学习（Geometry Deep Learning）相关工作汇总
深度学习喜欢 End-to-End 解决问题，中间过程有比较多的黑盒，在很多很难完整描述出数学模型的识别类任务中表现尤为出色。但是在传统的几何里面，很多工作是有比较好的数学基础的（比如摄影几何、李群与李代数、BA等等），如果抛弃这些理论全盘黑盒方式解决，有时未必有很好的效果。
因此对于 Geometry Deep Learning （几何深度学习）方向来说，如果深度学习的方式能够改进传统的几何方法的某些环节，或者利用深度学习强大的特征学习能力再与几何方式结合，或许会是一个可行的方向。
最近几年这类的工作非常之多，各大顶会也都有类似的专题，这篇博客旨在收集一些相关的内容作为备忘（个人没有太多精力收集，欢迎大家留言推荐相关文章）。
1 相关论文
1.1 传统几何算法的改进
传统几何算法使用深度学习改进其中一个方向就是所谓 ”可微分“ （Differentiable），例如 ICP、RANSAC、Bundle Adjustment 等等算法有很多所谓 ”硬决策“ 部分（Hard Decision）。这方面很多大牛做了不少工作例如 Eric Brachmann 的 DSAC 系列等等。
下面是一些收集的相关论文：
2 相关代码
2.1 3D Deep...
论文笔记：Deep Closest Point: Learning Representations for Point Cloud Registration
DCP 是一篇基于 Deep Learning 来解决 ICP 问题的，其中 Deep Learning 部分主要用于做匹配，后端仍然沿用 SVD 的方法。比很多 MLP 直接出 Pose 的合理，也取得了更好的效果。在与传统方法例如 Go-ICP 以及深度学习方法 PointNetLK 的对比中，都取得了一定的优势。1 经典 ICP 问题
这一部分在之前的论文笔记中已经有了比较详细的阐述，参见：使用 SVD 方法求解...
论文笔记：Dynamic Graph CNN for Learning on Point Clouds
DGCNN 是对 PointNet 的改进，PointNet 网络每个点单独提取特征缺乏局部关联。DGCNN 提出了 EdgeConv 就是对它的改进。
1 网络结构
DGCNN 网络结构如下图所示，可以看出其整体架构和 PointNet 是基本一致的，主要区别就是将其中的 MLP 替换成了 EdgeConv。2 EdgeConv
2.1 EdgeConv 结构上图是 EdgeConv 的示意图。假设一个F维点云 其中 F 表示每个点的维度，最简单的可能是 x,...