[論文レビュー] Differentiable Iterative Surface Normal Estimation.

Jan Eric Lenssen, Christian Osendorfer+1 more|arXiv (Cornell University)|Apr 15, 2019

3D Shape Modeling and Analysis参考文献 36被引用数 3

ひとこと要約

本稿では、局所的近傍における点の重みを適応的に設定するためのグラフニューラルネットワークを用いて、非構造的点群に対する微分可能で反復的な表面法線推定手法を提案する。学習可能な非等方的カーネルと局所的空間変換器を統合することで、最先端の精度、ノイズおよび密度変動に対するロバスト性、鋭い特徴の保持を達成する。手動で設計された特徴量を必要とせず、従来の深層学習手法よりも高速かつパラメータ効率が良い。

ABSTRACT

This paper presents an end-to-end differentiable algorithm for anisotropic surface normal estimation on unstructured point-clouds. We utilize graph neural networks to iteratively infer point weights for a plane fitting algorithm applied to local neighborhoods. The approach retains the interpretability and efficiency of traditional sequential plane fitting while benefiting from a data-dependent deep-learning parameterization. This results in a state-of-the-art surface normal estimator that is robust to noise, outliers and point density variation and that preserves sharp features through anisotropic kernels and a local spatial transformer. Contrary to previous deep learning methods, the proposed approach does not require any hand-crafted features while being faster and more parameter efficient.

研究の動機と目的

• 従来の平面フィッティングの解釈可能性を保ちつつ、データ駆動的適応を深層学習で活用する、微分可能でエンドツーエンドの表面法線推定手法を開発すること。
• 手動で設計された特徴量に依存せずに、非構造的点群におけるノイズ、外れ値、点密度の変動に対するロバスト性を向上させること。
• 局所的近傍における非等方的カーネル学習と空間変換により、鋭い幾何的特徴を保持すること。
• 既存の深層学習ベースの法線推定手法と比較して、より高い効率性とパラメータの節約を達成すること。

提案手法

• 本手法は、局所的近傍内の点に対する適応的重みを予測するためのグラフニューラルネットワークを採用し、平面フィッティングのデータ依存的精緻化を可能にする。
• 反復的精緻化プロセスにより、重み付き最小二乗法による平面フィッティングを用いて法線推定値を更新し、パイプライン全体に勾配を誤差逆伝搬する。
• 各点ごとに非等方的カーネルを学習し、関連する局所的幾何構造を強調するとともに、ノイズや外れ値を抑制する。
• 局所的空間変換器により近傍を再パラメータ化し、局所的表面構造に一致させることで、フィッティング精度を向上させる。
• パイプライン全体が微分可能であり、手動で設計された特徴量を必要とせずにエンドツーエンド学習が可能である。
• 微分可能最適化を介して、古典的平面フィッティングの効率性と深層学習の表現力の両方を組み合わせたアプローチである。

実験結果

リサーチクエスチョン

• RQ1 微分可能で反復的な平面フィッティング手法は、非微分可能または非反復的ベースラインと比較して、非構造的点群における表面法線推定をどのように改善するか？
• RQ2 グラフニューラルネットワークは、手動で設計された特徴量を必要とせずに、平面フィッティングにおける局所的近傍の重み付けをどの程度改善できるか？
• RQ3 点密度およびノイズレベルの変動下でも、本手法は鋭い特徴をどの程度効果的に保持できるか？
• RQ4 非等方的カーネルと空間変換器の統合により、法線推定におけるロバスト性と精度はどの程度向上するか？
• RQ5 既存の深層学習ベースの法線推定モデルと比較して、本手法の効率性とパラメータ数はいかがなっているか？

主な発見

• 提案手法は、標準ベンチマークにおいて、先行する深層学習および古典的手法を上回る最先端の性能を達成した。
• ノイズおよび点密度の変動に対して優れたロバスト性を示し、厳しいサンプリング条件下でも高い精度を維持した。
• 局所的近傍における非等方的カーネルと空間変換の活用により、鋭い特徴の保持が効果的に実現された。
• 微分可能で反復的な設計のおかげで、従来の深層学習ベースの法線推定器よりも高速かつパラメータ効率が高かった。
• 手動で設計された特徴量が存在しないため、パイプラインが簡素化され、性能を損なわず一般化性能が向上した。