PointNet模型中T-Net模块实现疑问：为何添加单位矩阵？

我正在阅读PointNet论文，尝试理解模型中T-Net模块的实现方式（输入变换与特征变换思路一致）。我查阅的所有PyTorch实现均采用如下代码片段：

class STNkd(nn.Module):
    def __init__(self, k=64):
        super(STNkd, self).__init__()
        self.conv1 = torch.nn.Conv1d(k, 64, 1)
        self.conv2 = torch.nn.Conv1d(64, 128, 1)
        self.conv3 = torch.nn.Conv1d(128, 1024, 1)
        self.fc1 = nn.Linear(1024, 512)
        self.fc2 = nn.Linear(512, 256)
        self.fc3 = nn.Linear(256, k*k)
        self.relu = nn.ReLU()

        self.bn1 = nn.BatchNorm1d(64)
        self.bn2 = nn.BatchNorm1d(128)
        self.bn3 = nn.BatchNorm1d(1024)
        self.bn4 = nn.BatchNorm1d(512)
        self.bn5 = nn.BatchNorm1d(256)

        self.k = k

    def forward(self, x):
        batchsize = x.size()[0]
        x = F.relu(self.bn1(self.conv1(x)))
        x = F.relu(self.bn2(self.conv2(x)))
        x = F.relu(self.bn3(self.conv3(x)))
        x = torch.max(x, 2, keepdim=True)[0]
        x = x.view(-1, 1024)

        x = F.relu(self.bn4(self.fc1(x)))
        x = F.relu(self.bn5(self.fc2(x)))
        x = self.fc3(x)

        iden = Variable(torch.from_numpy(np.eye(self.k).flatten().astype(np.float32))).view(1,self.k*self.k).repeat(batchsize,1)
        if x.is_cuda:
            iden = iden.cuda()
        x = x + iden
        x = x.view(-1, self.k, self.k)
        return x

我能理解大部分步骤，但到iden部分存在疑问：代码中将回归得到的矩阵与单位矩阵相加，这是否合理？

根据论文描述：

• 输出矩阵初始化为单位矩阵。
• 特征变换矩阵需接近正交矩阵。

第二点很明确，只需在最终损失中添加(I - xx^T)^2项即可。但第一点令我困惑：该矩阵实际由网络预测，而代码中（甚至推理阶段）每次都添加单位矩阵，这显然不是“初始化”操作。

恳请有人厘清论文描述与代码实现之间的差异。

内容的提问来源于stack exchange，提问作者Antonios Sarikas