[論文レビュー] GraphFit: Learning Multi-scale Graph-Convolutional Representation for Point Cloud Normal Estimation

Keqiang Li, Mingyang Zhao+5 more|arXiv (Cornell University)|Jul 23, 2022

3D Shape Modeling and Analysis被引用数 4

ひとこと要約

GraphFit は、局所的な近傍幾何構造を学習可能なグラフ構造でモデル化することで、ロバストで正確な 3D ポイントクラウド法線推定のための新しいグラフ畳み込みニューラルネットワークを提案する。マルチスケール特徴量とアテンションベースの適応モジュールを統合し、ノイズ、外れ値、点密度の変動に対して高い耐性を示し、PCPNet や NYU Depth V2 といったベンチマークデータセットで最先端の性能を達成した。

ABSTRACT

We propose a precise and efficient normal estimation method that can deal with noise and nonuniform density for unstructured 3D point clouds. Unlike existing approaches that directly take patches and ignore the local neighborhood relationships, which make them susceptible to challenging regions such as sharp edges, we propose to learn graph convolutional feature representation for normal estimation, which emphasizes more local neighborhood geometry and effectively encodes intrinsic relationships. Additionally, we design a novel adaptive module based on the attention mechanism to integrate point features with their neighboring features, hence further enhancing the robustness of the proposed normal estimator against point density variations. To make it more distinguishable, we introduce a multi-scale architecture in the graph block to learn richer geometric features. Our method outperforms competitors with the state-of-the-art accuracy on various benchmark datasets, and is quite robust against noise, outliers, as well as the density variations.

研究の動機と目的

• ポイントクラウドのパッチにおける局所的近傍関係を無視する既存の法線推定手法の限界を是正すること。
• 3D ポイントクラウドにおけるノイズ、外れ値、非一様な点密度に対して耐性を高めること。
• グラフ畳み込みを用いて隣接点間の幾何的関係を明示的にモデル化することで、特徴表現を向上させること。
• 合成データおよび実世界のポイントクラウドデータセットにおいて、最先端の精度と安定性を達成すること。

提案手法

• 各点に対して k-近傍法を用いて局所的グラフを構築し、近傍内の幾何的関係を符号化する。
• 異なる受容 field からの表現を統合することで、マルチスケール特徴量を学習するグラフ畳み込みブロックを採用する。
• 点特徴量とその近傍特徴量を動的に統合するアテンションベースの適応モジュールを導入し、密度変動に対する耐性を向上させる。
• 特徴空間における2つの異なるスケールからの局所的特徴量をアグリゲートするマルチスケール表現モジュールを採用し、幾何的表現力を強化する。
• 予測された法線と真値法線の間の角度差を最小化する損失関数を用いて、エンド・ツー・エンドでネットワークを訓練し、点法線を回帰する。
• アブレーションスタディにより、各モジュールの貢献度を検証し、効率的かつ汎用性の高いアーキテクチャとして設計されている。

実験結果

リサーチクエスチョン

• RQ1 局所的近傍関係をモデル化することで、それらを無視するパッチベース手法と比較して、法線推定の精度が顕著に向上するか？
• RQ2 アテンションベースの適応モジュールは、非一様な点密度における法線推定の耐性をどのように向上させるか？
• RQ3 マルチスケールのグラフ畳み込みアーキテクチャは、ノイズやスパarsなポイントクラウドにおいて、特徴表現と一般化性能をどの程度向上させるか？
• RQ4 多様なベンチマークにおいて、最先端の手法と比較して、本手法の精度と耐性はどのように評価されるか？
• RQ5 本手法は、ノイズや密度変動が顕著な実世界のスキャンデータ（例：NYU Depth V2）においても高い性能を維持できるか？

主な発見

• PCPNet データセットにおいて、ノイズレベルや点密度の変動にさらされても、GraphFit は 10.34 の最先端の平均 RMSE を達成し、AdaFit や DeepFit などの競合手法を上回った。
• 近傍サイズの変動に対しても高い耐性を示し、k=256、500、700 のすべてで平均 RMSE が約 10.50 に安定している。
• アブレーションスタディにより、マルチスケールモジュールが単一スケールベースラインと比較して最大 0.24 ポイントの RMSE 減少を実現し、特徴強化の有効性が裏付けられた。
• アテンションベースの適応モジュールは、挑戦的なストライプ状・勾配付きポイントクラウドにおいて最大 0.35 ポイントの誤差低減を達成し、密度変動への対処における価値を実証した。
• 実世界の NYU Depth V2 データに対しても強力な性能を維持しており、合成ベンチマークを越えた実用的価値を示した。
• Jet の次数を 1 から 4 に増加させることで、PCPNet における RMSE は 10.92 から 10.44 に改善され、高次元の表面適合による幾何的モデリング能力の向上が示された。