[論文レビュー] Cloud Dictionary: Sparse Coding and Modeling for Point Clouds

Or Litany, Tal Remez+1 more|arXiv (Cornell University)|Dec 15, 2016

Image and Signal Denoising Methods参考文献 5被引用数 6

ひとこと要約

本稿では、不規則にサンプリングされたデータに対するスパースコーディングを用いて、局所的な幾何構造を連続的信号再構成によってモデル化することで、点群の連続的辞書学習フレームワークを提案する。点群のパッチを連続関数のサンプルとして表現し、連続的原子からなる辞書を学習することで、グリッド依存性のない3次元点群における最先端のノイズ除去性能を達成する。

ABSTRACT

With the development of range sensors such as LIDAR and time-of-flight cameras, 3D point cloud scans have become ubiquitous in computer vision applications, the most prominent ones being gesture recognition and autonomous driving. Parsimony-based algorithms have shown great success on images and videos where data points are sampled on a regular Cartesian grid. We propose an adaptation of these techniques to irregularly sampled signals by using continuous dictionaries. We present an example application in the form of point cloud denoising.

研究の動機と目的

• 画像のような規則的なグリッドで成功を収めたスパースコーディング技術を、不規則にサンプリングされた3次元点群に適用する課題に対処すること。
• 人工グリッドや補間に依存する点群のパッチベース手法の限界を克服すること。これにより、誤差と計算コストが生じる。
• 点群信号を連続関数からのサンプリングとしてモデル化する連続的辞書学習フレームワークを開発すること。これにより、グリッドフリーのスパース表現が可能になる。
• スパースコーディングの代表的応用である点群のノイズ除去において、本手法の有効性を示すこと。

提案手法

• 各点群パッチを、適合された平面における局所座標 $ \mathbf{u} $ における連続的正規移動信号 $ w(\mathbf{u}) $ のサンプルとしてモデル化する。
• ノイズ除去問題をスパースプルートとして定式化する：$ \arg\min_{\mathbf{z}} \frac{1}{2} \| \mathbf{y}_\mathbf{G} - \mathbf{D}(\mathbf{G}) \mathbf{z} \|_2^2 $ であり、$ \|\mathbf{z}\|_0 \leq L $ を満たす。ここで $ \mathbf{D}(\mathbf{G}) $ は不規則な位置にサンプリングされた連続的辞書原子を表す。
• 辞書原子を事前に定義された連続的基底関数 $ \phi_i(\mathbf{u}) $ の線形結合として表現する。すなわち $ d_m(\mathbf{u}) = \boldsymbol{\phi}(\mathbf{u})^T \mathbf{a}_m $ とし、連続的表現を可能にする。
• 連続的辞書に適応した $ k $-SVD アルゴリズムを用いる：スパースコードを逐次更新し、活性なパッチを用いて辞書原子を改善する。
• スパースコーディングの効率的最適化のため、$ \ell_0 $-制約問題を凸緩和する。
• アーティファクトを低減するために、重複するパッチの平均化を適用して、完全なノイズ除去点群を再構成する。

実験結果

リサーチクエスチョン

• RQ1 規則的なグリッドを想定したスパースコーディング技術を、不規則にサンプリングされた3次元点群データに効果的に適応できるか？
• RQ2 グリッドベースの補間と比較して、連続的信号モデリングが点群におけるスパース表現の精度と効率をどのように向上させるか？
• RQ3 学習された連続的辞書が、ノイズ除去の目的で3次元点群の幾何的構造をどの程度効果的に捉えることができるか？
• RQ4 提案された連続的辞書学習フレームワークは、従来のグリッドベースまたは補間ベースのスパースコーディングと比較して、点群ノイズ除去タスクで優れているか？

主な発見

• 提案手法はスタンフォード・バニー点群において優れたノイズ除去結果を達成し、視覚的および定量的にも真値メッシュに近いクリアな出力を得た。
• 学習された連続的辞書は滑らかな構造を示し、回転角度が変化する際に新たなパターンを生成しており、局所的幾何構造への適応が有効であることが示された。
• 連続的辞書学習プロセスは収束し、図4に示すように、反復回数を増やすに従い再構成誤差が減少した。
• グリッド補間を回避することで、計算オーバーヘッドを低減し、従来の手法に見られる補間由来の誤差を排除した。
• 固定グリッドを必要としない高品質なノイズ除去が可能であり、不規則な3次元データにおける連続的スパースコーディングの実現可能性を示した。