[論文レビュー] A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration

Renlang Huang, Yunxia Tang+2 more|arXiv (Cornell University)|Oct 14, 2024

3D Surveying and Cultural Heritage被引用数 4

ひとこと要約

本稿では、幾何的整合性を強制することで粗一致の正確性と効率を向上させる、一貫性に配慮したスポットガイド付き変換器であるCASTを提案する。この手法は、スパースな一致パイプラインを用いることで、最適輸送やRANSACに依存せず、LiDARおよびRGBDデータセットの両方で最先端の性能を達成し、低インライア比率にも強く、高速な推論を実現する。

ABSTRACT

Deep learning-based feature matching has shown great superiority for point cloud registration in the absence of pose priors. Although coarse-to-fine matching approaches are prevalent, the coarse matching of existing methods is typically sparse and loose without consideration of geometric consistency, which makes the subsequent fine matching rely on ineffective optimal transport and hypothesis-and-selection methods for consistency. Therefore, these methods are neither efficient nor scalable for real-time applications such as odometry in robotics. To address these issues, we design a consistency-aware spot-guided Transformer (CAST), which incorporates a spot-guided cross-attention module to avoid interfering with irrelevant areas, and a consistency-aware self-attention module to enhance matching capabilities with geometrically consistent correspondences. Furthermore, a lightweight fine matching module for both sparse keypoints and dense features can estimate the transformation accurately. Extensive experiments on both outdoor LiDAR point cloud datasets and indoor RGBD point cloud datasets demonstrate that our method achieves state-of-the-art accuracy, efficiency, and robustness.

研究の動機と目的

• グローバルなクロスアテンションが関係のない領域に注目することで生じる、スパースで一貫性のない粗一致を引き起こす既存の粗〜細の点群登録手法の限界を解消すること。
• 特徴類似性と幾何的適合性を組み合わせた一貫性に配慮した一致信頼度基準を導入し、粗一致における幾何的整合性を強制することで、耐障害性と効率を向上させること。
• 最適輸送やRANSACのような計算コストの高い手法に依存しないように、軽量でスケーラブルな細一致モジュールを設計することで、依存性を排除すること。
• スパース〜密度登録と適合グラフベースの外れ値除外を組み合わせることで、オドメトリックスのようなロボティクス分野におけるリアルタイム適用を可能にすること。
• 屋外LiDARおよび屋内RGBDスキャンを含む多様な3次元点群データセットにおいて、最先端の正確性、効率性、耐障害性を達成すること。

提案手法

• 特徴類似性と幾何的適合性を組み合わせた一貫性に配慮した一致信頼度基準に基づき、信頼できる近隣パッチにのみクロスアテンションを制限するスポットガイド付きクロスアテンションモジュールを導入する。
• 幾何的適合性グラフ上の顕著なノードからの情報を集約することで、特徴の明確さを向上させる一貫性に配慮した自己アテンションモジュールを提案する。
• 異なる幾何的詳細レベルでの表現学習を向上させるために、マルチスケール特徴統合を採用する。
• スパースキーポイントと密度特徴の両方をサポートする軽量な細一致モジュールを設計し、最適輸送を用いずに効率的なポイント〜パッチ一致を実現する。
• 従来の仮説と選択のパイプラインに代わる、よりスケーラブルな解決策として、外れ値除外に効率的な適合グラフ埋め込みモジュールを活用する。
• スパース一致の効率性と密度リファインメントの正確性を活かす、スパース〜密度登録パイプラインを統合する。

実験結果

リサーチクエスチョン

• RQ1 一貫性に配慮したアテンション機構は、粗一致の対応の信頼性と幾何的整合性を向上させることができるか？
• RQ2 スポットガイド付きクロスアテンションは、特徴一致中に関係のない領域からの干渉をどの程度低減できるか？
• RQ3 一貫性に配慮した自己アテンションモジュールは、適合性グラフに基づくサンプリングによって特徴の明確さをどの程度向上させられるか？
• RQ4 軽量でスパース〜密度一致モジュールは、最適輸送やRANSACに依存せずに高い正確性を達成できるか？
• RQ5 提案手法は、多様な3次元点群データセットにおいて、既存の最先端手法を正確性、効率性、耐障害性の面で上回ることができるか？

主な発見

• 提案されたCASTモデルは、屋外LiDARおよび屋内RGBD点群登録ベンチマークの両方で最先端の性能を達成した。
• 幾何的整合性の強制により、不一致な対応を削減することで、CASTは粗一致品質を顕著に向上させた。
• 最適輸送やRANSACに依存する既存の手法と比較して、より高速な推論と優れたスケーラビリティを実現した。
• 一貫性に配慮した自己アテンションとスポットガイド付きクロスアテンションモジュールが、特徴表現の質と一致の信頼性を共同で向上させた。
• 軽量な細一致モジュールにより、パッチ同士の密度一致の計算負荷を回避しながらも、正確な登録を実現した。
• 適合グラフ埋め込みモジュールは外れ値を効果的に除外し、非効率な仮説と選択のパイプラインに代わるよりスケーラブルな解決策を提供した。