[論文レビュー] A comprehensive survey on point cloud registration

Xiaoshui Huang, Guofeng Mei+2 more|arXiv (Cornell University)|Mar 3, 2021

Robotics and Sensor-Based Localization参考文献 116被引用数 184

ひとこと要約

この調査は、同一ソース間の点群登録とクロスソース間の点群登録の最適化ベースおよび深層学習手法をレビューし、クロスソースのベンチマークを導入し、適用と今後の方向性を論じます。

ABSTRACT

Registration is a transformation estimation problem between two point clouds, which has a unique and critical role in numerous computer vision applications. The developments of optimization-based methods and deep learning methods have improved registration robustness and efficiency. Recently, the combinations of optimization-based and deep learning methods have further improved performance. However, the connections between optimization-based and deep learning methods are still unclear. Moreover, with the recent development of 3D sensors and 3D reconstruction techniques, a new research direction emerges to align cross-source point clouds. This survey conducts a comprehensive survey, including both same-source and cross-source registration methods, and summarize the connections between optimization-based and deep learning methods, to provide further research insight. This survey also builds a new benchmark to evaluate the state-of-the-art registration algorithms in solving cross-source challenges. Besides, this survey summarizes the benchmark data sets and discusses point cloud registration applications across various domains. Finally, this survey proposes potential research directions in this rapidly growing field.

研究の動機と目的

• 同一ソースの点群登録手法（最適化ベース、特徴学習、エンドツーエンド学習）の包括的な概要を提供する。
• クロスソース登録の課題と既存の解決策を要約する。
• 最適化ベースの手法と深層学習アプローチの関連性を説明する。
• 最先端の登録アルゴリズムを評価するためのクロスソースベンチマークを紹介する。
• 点群登録の応用について議論し、将来の方向性を提案する。

提案手法

• 1992年から2021年にわたる最適化ベース、特徴学習、エンドツーエンド登録パラダイムにわたる文献を調査する。
• 手法を同一ソースとクロスソースのカテゴリに分類し、ICPベース、グラフベース、GMMベース、SDPベースのアプローチに分類する。
• 各カテゴリの利点、制限、収束特性を分析する。
• クロスセンサチャレンジの下で登録手法を評価する新しいクロスソースベンチマークを提示する。
• 伝統的な最適化と現代の深層学習技術の関連性を総合する。

実験結果

リサーチクエスチョン

• RQ1 同一ソースとクロスソースの点群登録における主要な課題と手法は何か？
• RQ2 頑健性と効率性の観点から、最適化ベースの手法と深層学習アプローチはどのように比較できるか？
• RQ3 登録のための最適化戦略と深層学習手法の関連性の本質は何か？
• RQ4 クロスソース登録は同一ソース登録とどう異なり、ベンチマークはこのギャップをどう捉えることができるか？
• RQ5 点群登録研究の未解決の問いと今後の方向性は何か？

主な発見

• 同一ソースデータに対する伝統的な登録法と深層学習登録法の包括的な網羅。
• クロスソース登録の課題と最新手法を評価するための提案ベンチマークの要約。
• 最適化ベース手法と深層学習アプローチの関連性と補完性の特定。
• 分野横断の応用とクロスソース環境での将来の研究方向の必要性についての討論。
• 大規模点群に対する半正定緩和とグラフベース手法のスケーラビリティと効率性の課題の強調。