[論文レビュー] Accurate Point Cloud Registration with Robust Optimal Transport

Zhengyang Shen, Jean Feydy+5 more|arXiv (Cornell University)|Nov 1, 2021

3D Shape Modeling and Analysis被引用数 26

ひとこと要約

この論文は、拡張可能な頑健最適輸送（RobOT）を、特徴マッチング層として点群登録を改善する有効な手段として示し、 scene flow および肺登録で最先端の結果を達成しつつ費用を抑える。コンパクトな RobOT 表現と Deep-RobOT アーキテクチャを導入し、登録を事前整列、洗練、微調整する。

ABSTRACT

This work investigates the use of robust optimal transport (OT) for shape matching. Specifically, we show that recent OT solvers improve both optimization-based and deep learning methods for point cloud registration, boosting accuracy at an affordable computational cost. This manuscript starts with a practical overview of modern OT theory. We then provide solutions to the main difficulties in using this framework for shape matching. Finally, we showcase the performance of transport-enhanced registration models on a wide range of challenging tasks: rigid registration for partial shapes; scene flow estimation on the Kitti dataset; and nonparametric registration of lung vascular trees between inspiration and expiration. Our OT-based methods achieve state-of-the-art results on Kitti and for the challenging lung registration task, both in terms of accuracy and scalability. We also release PVT1010, a new public dataset of 1,010 pairs of lung vascular trees with densely sampled points. This dataset provides a challenging use case for point cloud registration algorithms with highly complex shapes and deformations. Our work demonstrates that robust OT enables fast pre-alignment and fine-tuning for a wide range of registration models, thereby providing a new key method for the computer vision toolbox. Our code and dataset are available online at: https://github.com/uncbiag/robot.

研究の動機と目的

• 頑健で、スケーラブルな点群登録とマッチングのための頑健最適輸送（RobOT）を動機づけ formalize する。
• RobOT が rigid、affine、および非パラメトリック registrations における特徴マッチングを challenging な状況でいかに改善するかを示す。
• RobOT を変形モデルと深層学習と praktical に統合して、効率的かつ正確な登録を実現する。
• 肺血管樹を含む新しいベンチマークとデータセットを提供し、高解像度登録パイプラインを評価する。

提案手法

• RobOT 理論と、輸送計画のウェイト付き RobOT マッチング（v_i および w_i）による安定でメモリ効率の良い表現を提示する。
• OT ソルバーの双対変数を用いて v_i（変位）と w_i（信頼度）を O(N+M) メモリで計算する。
• 正則化モデルと統合して rigid、affine、またはスプラインベースの変形を得る（Eqs. 5–7）。
• Deep-RobOT（D-RobOT）：エンドツーエンド登録のための三段階パイプライン（OT 事前整列、深層変形推定器、OT 後処理）。
• 部分的な重なりやサンプリングアーティファクトに対処するためにKLペナルティを伴う非均衡 OT を適用。
• 高解像度点群（最大 100k 点）へスケール可能な、微分可能な RobOT レイヤを提供。

実験結果

リサーチクエスチョン

• RQ1 頑健最適輸送（RobOT）は高解像度の 3D 点群に対して信頼できるスケーラブルな対応点を提供できるか。
• RQ2 RobOT は正則化戦略と変形モデルとどのように相互作用して登録精度を向上させるか。
• RQ3 挑戦的なタスク（scene flow や医療用肺登録）に対して Deep-RobOT アーキテクチャ（事前整列、深層推定、後処理）はどの程度有用か。
• RQ4 部分的重なりや外れ値が多い現実データに対して RobOT は効率を維持しつつ頑健性を確保できるか。

主な発見

• RobOT は多くの深層学習法と比べて高速で低メモリコストながら、強力なベースライン結果を達成する。
• RobOT 添え字のパイプラインは、特に高解像度で、挑戦的なタスクにおいて最先端手法を一貫して上回る。
• 三段階の D-RobOT アーキテクチャ（事前整列、深層登録、後処理）は、合成データと実データの両方で堅牢で正確な登録を達成する。
• 提案された肺血管樹データセット（PVT1010）は、高密度サンプル点を含む大規模で高解像度のベンチマークを提供する。
• RobOT は登録の微調整を効果的に可能にし、“良い”対応をほぼ完璧な整列へと変換するコストを抑える。
• KL ペナルティを伴う非均衡 OT は部分的な登録を支え、サンプリングアーティファクトに対して RobOT を頑健にする。