[論文レビュー] Leveraging Inlier Correspondences Proportion for Point Cloud Registration

Lifa Zhu, Haining Guan+2 more|arXiv (Cornell University)|Jan 28, 2022

3D Shape Modeling and Analysis被引用数 7

ひとこと要約

本稿では、幾何的制約を用いた一貫性のあるネットワークであるGCNetを提案する。この手法は、ピラミッド階層デコーダ、一貫性投票、幾何的制約付きエンコーディングモジュールを用いて、対応関係の内点割合を向上させることで、点群登録性能を向上させる。本手法は最先端の性能を達成し、3DMatchと3DLoMatchでそれぞれ92.9%および71.9%の登録再現率を達成する。モデルに依存しない改善効果が他のネットワークへも容易に適用可能である。

ABSTRACT

In feature-learning based point cloud registration, the correct correspondence construction is vital for the subsequent transformation estimation. However, it is still a challenge to extract discriminative features from point cloud, especially when the input is partial and composed by indistinguishable surfaces (planes, smooth surfaces, etc.). As a result, the proportion of inlier correspondences that precisely match points between two unaligned point clouds is beyond satisfaction. Motivated by this, we devise several techniques to promote feature-learning based point cloud registration performance by leveraging inlier correspondences proportion: a pyramid hierarchy decoder to characterize point features in multiple scales, a consistent voting strategy to maintain consistent correspondences and a geometry guided encoding module to take geometric characteristics into consideration. Based on the above techniques, We build our Geometry-guided Consistent Network (GCNet), and challenge GCNet by indoor, outdoor and object-centric synthetic datasets. Comprehensive experiments demonstrate that GCNet outperforms the state-of-the-art methods and the techniques used in GCNet is model-agnostic, which could be easily migrated to other feature-based deep learning or traditional registration methods, and dramatically improve the performance. The code is available at https://github.com/zhulf0804/NgeNet.

研究の動機と目的

• 特徴ベースの点群登録において、部分的かつ滑らかな表面条件下で内点対応関係の再現率が低いという課題に対処すること。
• 正しい対応関係の割合を増加させることで、深層学習ベースの登録のロバスト性と精度を向上させること。
• 既存の特徴ベースまたは伝統的な登録パイプラインに容易に統合可能な、モデルに依存しない技術を開発すること。
• マルチスケールおよび幾何的特徴を効果的に活用するための統合型ネットワークアーキテクチャを設計すること。

提案手法

• ピラミッド階層デコーダを用いてマルチスケールの点群特徴を抽出し、異なる受容野における表現を強化する。
• 複数の特徴スケールにわたる一貫性を強制することで、誤対応関係をフィルタリングする一貫性投票戦略を導入する。
• 局所的な幾何的構造（例：法線、曲率）を特徴学習に組み込むことで、識別力を向上させる幾何的制約付きエンコーディングモジュールを採用する。
• エンコーダ・デコーダ構造と内点割合最適化を組み合わせたネットワークアーキテクチャを設計し、ロバストな変換推定を可能にする。
• モジュラーかつ転送可能なフレームワークを設計し、他の深層学習または伝統的登録手法への統合を可能にする。
• 特徴空間における最近傍探索に続いてRANSACを用いてロバストなポーズ推定を実行し、対応関係の品質向上により性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 対応関係の候補マッチングにおける内点対応関係の割合を向上させることで、特徴ベースの点群登録の精度とロバスト性を顕著に向上させることができるか？
• RQ2 深層特徴学習に幾何的事前知識を効果的に統合することで、対応関係の品質を向上させることができるか？
• RQ3 マルチスケール特徴にわたる一貫性投票機構により、対応関係マッチングにおける誤検出を低減できるか？
• RQ4 提案手法の技術的特徴は、異なるデータセットおよびネットワークアーキテクチャにどの程度一般化可能か？
• RQ5 幾何的特徴と投票機構の統合により、登録再現率および誤差指標に測定可能な改善が得られるか？

主な発見

• GCNetは3DMatchデータセットで92.9%の登録再現率を達成し、先行手法を顕著に上回る。
• より困難な3DLoMatchベンチマークでは、GCNetが71.9%の登録再現率を達成し、低オーバラップ条件下でも優れた性能を示す。
• KITTIオドメトリーデータセットでは、GCNetが最良の相対的変位誤差（6.1 cm）を達成し、99.8%の登録再現率を維持する。
• MVP-RGの合成オブジェクト中心ベンチマークでは、GCNetが最小の回転誤差（7.99°）、変位誤差（0.048）、RMSE（0.093）を達成し、最先端のエンドツーエンド手法を上回る。
• 提案手法はモデルに依存せず、既存のネットワークへのシームレスな統合が可能であり、推論時間の大幅な増加なしに性能向上を実現する。
• アブレーションスタディにより、一貫性投票および幾何的制約付きエンコーディングモジュールの両方が、内点割合および全体の登録精度に顕著な寄与をしていることが確認された。