[論文レビュー] Deterministic PointNetLK for Generalized Registration

Xue-Qian Li, Jhony Kaesemodel Pontes+1 more|arXiv (Cornell University)|Aug 21, 2020

3D Shape Modeling and Analysis参考文献 30被引用数 10

ひとこと要約

本稿では、有限差分勾配推定の代わりに解析的勾配を用いることで、3次元点群登録におけるロバスト性と一般化性能を向上させる決定的PointNetLK手法を提案する。解析的勾配とヤコビアン分解を活用することで、ノイズ多発、スパarsity、部分的点群において優れた正確性と信頼性を達成し、標準的なPointNetLKおよび最先端手法を上回る性能を発揮する。

ABSTRACT

There has been remarkable progress in the application of deep learning to 3D point cloud registration in recent years. Despite their success, these approaches tend to have poor generalization properties when attempting to align unseen point clouds at test time. PointNetLK has proven the exception to this rule by leveraging the intrinsic generalization properties of the Lucas & Kanade (LK) image alignment algorithm to point cloud registration. The approach relies heavily upon the estimation of a gradient through finite differentiation -- a strategy that is inherently ill-conditioned and highly sensitive to the step-size choice. To avoid these problems, we propose a deterministic PointNetLK method that uses analytical gradients. We also develop several strategies to improve large-volume point cloud processing. We compare our approach to canonical PointNetLK and other state-of-the-art methods and demonstrate how our approach provides accurate, reliable registration with high fidelity. Extended experiments on noisy, sparse, and partial point clouds depict the utility of our approach for many real-world scenarios. Further, the decomposition of the Jacobian matrix affords the reuse of feature embeddings for alternate warp functions.

研究の動機と目的

• 未観測の点群における深層学習ベースの3次元登録手法の一般化性能の低さを解決すること。
• ステップサイズの選択に敏感なPointNetLKにおける有限差分勾配推定の不安定性を克服すること。
• 解析的勾配を用いた決定的代替手法を開発し、ロバスト性と信頼性を向上させること。
• 大規模点群処理における効率性とスケーラビリティを向上させること。
• ヤコビアン行列分解を用いて、複数のワープ関数間で特徴埋め込みを再利用可能にする仕組みを提供すること。

提案手法

• PointNetLKにおける有限差分勾配計算を解析的勾配に置き換え、ステップサイズ選択への感受性を排除する。
• バックプロパゲーションをネットワーク層および変換層に適用し、勾配の閉形式表現を導出する。
• 異なるワープ関数間で特徴埋め込みを再利用可能なヤコビアン行列分解戦略を導入する。
• 大規模点群処理を想定したネットワークアーキテクチャおよびトレーニングパイプラインを最適化する。
• 解析的勾配を反復的最適化プロセスに統合した、変更を加えたLucas-Kanade最適化フレームワークを採用する。
• エンドツーエンドトレーニングを可能にする、PointNetに基づく特徴抽出と微分可能な変換層を用いる。

実験結果

リサーチクエスチョン

• RQ1 解析的勾配は、3次元点群登録におけるPointNetLKのロバスト性と一般化性能を向上させ得るか？
• RQ2 本手法は、ベースライン手法と比較して、未観測でノイズ多発、スパarsity、部分的点群においてどの程度の性能を示すか？
• RQ3 ヤコビアン行列分解は、複数のワープ関数間で特徴埋め込みを効率的に再利用可能にする程度はどの程度か？
• RQ4 有限差分ベースのPointNetLKと比較して、決定的アプローチは登録精度および収束安定性において優れているか？
• RQ5 大規模点群に対して、性能劣化を伴わずに効果的にスケーリング可能か？

主な発見

• 提案手法である決定的PointNetLKは、有限差分勾配を用いる元のPointNetLKと比較して、未観測点群における登録精度が高く、一般化性能も優れている。
• 広範な実験評価において、ノイズ、スパarsity、部分的点群に対して優れたロバスト性を示した。
• 解析的勾配により、ステップサイズ選択への感受性が解消され、最適化がより安定的かつ信頼性あるものとなった。
• ヤコビアン行列分解により、複数のワープ関数間で特徴埋め込みの再利用が効率的に行えるようになり、計算効率が向上した。
• ベンチマークデータセットにおいて、最先端の登録手法を上回り、特に現実世界の困難なシナリオで顕著な性能を発揮した。
• 極度のデータ劣化下でも高い登録忠実度を維持したため、実用的価値が確認された。