[論文レビュー] GeoTransformer: Fast and Robust Point Cloud Registration with Geometric Transformer
GeoTransformerは、スーパポイント間の対比較距離および3点セットの角度を符号化することで、幾何的不変性を持つトランスフォーマー・アーキテクチャを提案し、RANSACを不要にするロバストな点群登録を実現する。変換不変な幾何特徴を活用することで、100倍の高速化を達成し、3DLoMatchのような低オーバーラップベンチマークで最先端の性能を発揮。インライア比率は18–31ポイント向上し、登録再現率は7ポイント以上向上。
We study the problem of extracting accurate correspondences for point cloud registration. Recent keypoint-free methods have shown great potential through bypassing the detection of repeatable keypoints which is difficult to do especially in low-overlap scenarios. 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, or GeoTransformer for short, to learn geometric feature for robust superpoint matching. It encodes pair-wise distances and triplet-wise angles, making it invariant to rigid transformation and robust in low-overlap cases. 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. Extensive experiments on rich benchmarks encompassing indoor, outdoor, synthetic, multiway and non-rigid demonstrate the efficacy of GeoTransformer. Notably, our method improves the inlier ratio by $18{\sim}31$ percentage points and the registration recall by over $7$ points on the challenging 3DLoMatch benchmark. Our code and models are available at \url{https://github.com/qinzheng93/GeoTransformer}.
研究の動機と目的
- キーポoinト検出が繰り返し性に欠ける低オーバーラップ点群登録の課題に対処すること。
- 剛体変換に対して不変な幾何構造を符号化することで、スーパポイントマッチングの精度を向上させること。
- 変換推定にRANSACに依存しないように、初期段階から高品質でインライアが豊富な対応関係を可能にすること。
- 反復的でロバスト推定に代えて、直接的かつ微分可能なアライメントステップを導入することで登録を高速化すること。
- 屋内・屋外・合成・マルチウェイ・非剛体設定を含む多様なベンチマークで最先端の性能を達成すること。
提案手法
- GeoTransformerは、ペアワイズ距離とトリプレットワイズ角度に基づいて、他のすべてのスーパポイントに注目する自己注意メカニズムを用い、幾何的不変性を確保する。
- 距離および角度特徴を通じて幾何的一致性を符号化することで、剛体変換に対して不変な表現を実現する。
- パッチオーバーラップが高いスーパポイントペアに注目するため、オーバーラップに敏感なサークル損失を導入し、低オーバーラップ領域におけるロバスト性を向上させる。
- 高品質なスーパポイントマッチングを用いて最適輸送層により密な対応関係を予測し、RANSACを回避する。
- 最終的なアライメントは、微分可能でパラメータフリーなLGR（低ランクグローバル登録）モジュールを用いて密な対応関係から直接推定する。
- 本手法は粗いから細かい段階へと処理する：まずスーパポイントマッチングを行い、その後それを密な点に伝搬する。
実験結果
リサーチクエスチョン
- RQ1トランスフォーマーに基づく手法は、低オーバーラップ状況下でスーパポイントマッチングを向上させる幾何的不変特徴を学習できるか？
- RQ2変換に依存する座標ベースの位置埋め込みに依存せずに、幾何的不変性を達成できるか？
- RQ3高精度なスーパポイントマッチングにより、点群登録におけるRANSACの必要性を排除できるか？
- RQ4大回転と最小限のオーバーラップを伴う困難なベンチマークで、GeoTransformerはどのように性能を発揮するか？
- RQ5本手法はマルチウェイおよび非剛体登録タスクにスケーリング可能であり、ロバスト性と速度を維持できるか？
主な発見
- 3DLoMatchベンチマークにおいて、GeoTransformerはインライア比率を18–31ポイント向上させ、登録再現率を7ポイント以上向上させ、先行手法を顕著に上回る。
- RANSACを排除することで登録速度が100倍向上し、5,000個の対応関係に対して推論時間が0.01秒にまで短縮された。
- 3DMatchベンチマークでは、95.7％の登録再現率、RTEが5.69 cm、RREが1.92°を達成し、PointDSC や DHVR を含むすべてのベースラインを上回った。
- KITTIオドメトリーベンチマークでは、99.5％の登録再現率、RTEが6.5 cm、RREが0.24°を達成し、大回転および実世界のノイズ下でも強いロバスト性を示した。
- スーパポイントマッチングモジュールにおける二重正規化処理により、幾何的に曖昧なパッチからの外れ値マッチを軽減し、低オーバーラップケースでの性能がわずかに向上した。
- LGRで5イテレーションのポーズ精錬により、精度がほぼ飽和し、リアルタイムデプロイメントに最適な速度と精度のバランスが達成された。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。