[論文レビュー] Feature-metric Registration: A Fast Semi-supervised Approach for Robust Point Cloud Registration without Correspondences

Xiaoshui Huang, Guofeng Mei+1 more|arXiv (Cornell University)|May 3, 2020

3D Shape Modeling and Analysis参考文献 26被引用数 16

ひとこと要約

本論文では、対応関係の探索を伴わずに特徴マトリクス投影誤差を最小化することで、ロバストな点群アライメントを達成する高速で準教師あり特徴マトリクス登録フレームワークを提案する。本手法は、教師なし対照的ブランチと特徴マトリクス登録ブランチを備えたデュアルブランチネットワークを採用し、精度、ノイズ／密度変動へのロバスト性、および速度において最先端手法を上回っている。LM-ICPの8倍速く、PointNetLKの2倍速い推論を達成している。

ABSTRACT

We present a fast feature-metric point cloud registration framework, which enforces the optimisation of registration by minimising a feature-metric projection error without correspondences. The advantage of the feature-metric projection error is robust to noise, outliers and density difference in contrast to the geometric projection error. Besides, minimising the feature-metric projection error does not need to search the correspondences so that the optimisation speed is fast. The principle behind the proposed method is that the feature difference is smallest if point clouds are aligned very well. We train the proposed method in a semi-supervised or unsupervised approach, which requires limited or no registration label data. Experiments demonstrate our method obtains higher accuracy and robustness than the state-of-the-art methods. Besides, experimental results show that the proposed method can handle significant noise and density difference, and solve both same-source and cross-source point cloud registration.

研究の動機と目的

• 対応関係に基づく幾何的登録の限界を解決する。これはノイズ、外れ値、密度変動に対して感受性が強い。
• 最適化の高速化を図るために、明示的な対応関係探索を回避する登録フレームワークを開発する。
• 半教師ありまたは教師なし学習を用いて、限られたまたは全くないラベル付き登録データでも効果的な学習を可能にする。
• 部分的オーバーラップ、異種データ、スパースな屋外LiDARスキャンなどの困難な状況におけるロバスト性と精度を向上させる。

提案手法

• 最適化の目的関数として、ノイズや外れ値に対して幾何的投影誤差よりもロバストな特徴マトリクス投影誤差を提案する。
• 空間的変換に対して特徴の不変性を強制することで、特徴エンコーダーを事前学習する教師なし対照的ブランチを設計する。
• 2つの点群間の特徴差を最小化することで変換行列を推定するマルチタスク登録ブランチを実装する。
• 最小限または完全にラベルなしの登録データを必要とする、半教師ありまたは教師なしの方法でネットワーク全体を訓練する。
• 学習可能な特徴エンコーダーを用いて、元の点群から特徴を抽出し、対応関係なしのアライメントを可能にする。
• エンドツーエンドのバックプロパゲーションにより特徴マトリクス損失を最適化し、5回以内の反復で高速収束を実現する。

実験結果

リサーチクエスチョン

• RQ1 ノイズや外れ値が存在する状況において、従来の幾何的投影誤差と比較して、特徴マトリクス損失関数が登録のロバスト性を向上させられるか。
• RQ2 半教師ありまたは教師なし学習の枠組みによって、高価な3次元登録ラベルへの依存度をどの程度低減できるか。
• RQ3 明示的な対応関係の探索なしに、本手法が高い精度と速度を達成できるか。
• RQ4 本手法は、部分的オーバーラップ、異種データ、およびスパースな屋外LiDARスキャンにおいて、どの程度一般化性能を示すか。

主な発見

• 7Scenesデータセットにおいて、本手法は回転誤差0.004°、並進誤差0.002を達成し、LM-ICP（12.7°, 0.96）およびPointNetLK（15.3°, 0.92）を著しく上回った。
• 約12K点の点群に対して1.3秒で実行され、LM-ICP（10.8秒）の8倍速く、3DSmoothNet（9.6秒）の7倍速く、PointNetLK（2.4秒）の2倍速い。
• 教師なし対照的ブランチにより特徴品質が向上し、ラベルなしデータでも高精度な登録が可能になった。
• 本手法は異種点群（例：KinectとRGB-D）を効果的に処理でき、密度や強度の大きな違いに対してもロバストであることを示した。
• KITTIのスパースな屋外LiDARシーケンスにおいて、最先端のベースラインと比較して視覚的に優れたアライメントを生成した。
• アブレーションスタディにより、部分的オーバーラップに対しても本手法の耐性が確認され、LM-ICP、3DSmoothNet、PointNetLKよりも顕著に高い精度を示した。