[論文レビュー] Geometric Transformer for Fast and Robust Point Cloud Registration

Zheng Qin, Hao Yu+4 more|arXiv (Cornell University)|Feb 14, 2022

3D Shape Modeling and Analysis被引用数 21

ひとこと要約

GeoTransformerは、対になる距離と三つ組角度を用いて変換不変の幾何特徴を学習し、スーパーポイントを頑健に対応付ける。これにより、RANSACを用いない高速な点群登録を実現し、高いインライヤ比とリコールを達成する。

ABSTRACT

We study the problem of extracting accurate correspondences for point cloud registration. Recent keypoint-free methods bypass the detection of repeatable keypoints which is difficult in low-overlap scenarios, showing great potential in registration. They seek correspondences over downsampled superpoints, which are then propagated to dense points. Superpoints are matched based on whether their neighboring patches overlap. Such sparse and loose matching requires contextual features capturing the geometric structure of the point clouds. We propose Geometric Transformer to learn geometric feature for robust superpoint matching. It encodes pair-wise distances and triplet-wise angles, making it robust in low-overlap cases and invariant to rigid transformation. The simplistic design attains surprisingly high matching accuracy such that no RANSAC is required in the estimation of alignment transformation, leading to $100$ times acceleration. Our method improves the inlier ratio by $17{\sim}30$ percentage points and the registration recall by over $7$ points on the challenging 3DLoMatch benchmark. Our code and models are available at https://github.com/qinzheng93/GeoTransformer.

研究の動機と目的

• 低重なり条件で特に、点群登録における正確な対応付けの課題に対処する。
• 頑健なスーパーポイント対応に基づく、キーポイントを用いないマッチング手法を開発する。
• マッチングの信頼性と登録精度を向上させるため、変換不変の幾何表現を学習する。

提案手法

• スーパーポイントの対ごとの距離と三つ組角度をエンコードする Geometric Transformer (GeoTransformer) を提案する。
• 変換不変の構造埋め込みを用いて、点群内部の幾何を捉える幾何的自己注意を実装する。
• 点群間の整合性をモデル化するクロスアテンションモジュールを用い、頑健なマッチングのためのハイブリッド特徴を導出する。
• グローバル特徴相関とオーバーラップ認識の circle loss を用いて、スーパーポイント対応を計算し、高オーバーラップパッチを強調する。
• 最適輸送層と相互 top-k 選択で密な点対応に精製する。
• 局所候補に重み付き SVD を適用し、グローバルインライヤを数えることで最終変換を選択する、RANSACフリーの局所-グローバル登録 (LGR) を実行する。

実験結果

リサーチクエスチョン

• RQ1 幾何知識を持つトランスフォーマが、低重なりの状況下で頑健なスーパーポイント対応のための変換不変特徴を学習できるか？
• RQ2 キーポイントフリーでRANSACフリーの登録パイプラインは、屋内外のベンチマークで競争力のある精度と速度を達成するか？
• RQ3 オーバーラップ認識の損失がパッチレベルの対応付けの収束とマッチング品質にどのように影響するか？
• RQ4 従来のロバスト推定器を使わずに、信頼できるスーパーポイントマッチから密な点対応をどの程度回復できるか？

主な発見

• GeoTransformer は、低重なりの場合のスーパーポイント（パッチ）対応におけるインライヤ比を著しく向上させる。
• GeoTransformer による高品質なスーパーポイントマッチのおかげで、密な点対応は高い精度を達成する。
• 本手法は、実験でRANSACフリーの登録を可能とし、計算時間を大幅に削減 (例: RANSACより最大100倍高速) する。
• 3DLoMatch において、インライヤ比と登録リコールはベースラインと比較して大幅に改善 (例: 17–30 ポイントのインライヤ比、>7 ポイントRR)。
• RANSACなしで、weighted SVD を用いる GeoTransformer は、難易度の高いデータセットで RANSAC ベース手法に近い競争力のある登録リコールを達成する。