[論文レビュー] Neighbourhood-Insensitive Point Cloud Normal Estimation Network

Zirui Wang, Victor Adrian Prisacariu|arXiv (Cornell University)|Aug 23, 2020

3D Shape Modeling and Analysis参考文献 26被引用数 6

ひとこと要約

本稿では、自己注意機構を用いた法線推定ネットワークを提案する。このネットワークは、注意のなめらかさを制御する学習可能な温度パラメータを学習することで、大きな近傍領域内の関連する点に適応的に注目する。94.1%の精度を達成し、前回SOTAの91.2%を2.9%上回り、モデルサイズは25倍小さく、推論速度は12倍速く、手動での近傍範囲チューニングなしで点対平面ICPの収束が速い。

ABSTRACT

We introduce a novel self-attention-based normal estimation network that is able to focus softly on relevant points and adjust the softness by learning a temperature parameter, making it able to work naturally and effectively within a large neighbourhood range. As a result, our model outperforms all existing normal estimation algorithms by a large margin, achieving 94.1% accuracy in comparison with the previous state of the art of 91.2%, with a 25x smaller model and 12x faster inference time. We also use point-to-plane Iterative Closest Point (ICP) as an application case to show that our normal estimations lead to faster convergence than normal estimations from other methods, without manually fine-tuning neighbourhood range parameters. Code available at https://code.active.vision.

研究の動機と目的

• 手動によるチューニングが不要な、変動する近傍範囲に対して頑健な法線推定手法の開発。
• 既存の学習ベースおよび古典的手法を凌駕する法線推定精度の向上。
• マルチスケールエキスパートモデルと比較して、モデルサイズと推論時間を削減。
• ICPなどの下流アプリケーションが、高品質で近傍範囲に依存しない法線を用いて、より速く収束できるようにすること。
• 自己注意モジュールにおける注意のなめらかさを制御する学習可能な温度パラメータを導入し、特徴の適応統合を実現すること。

提案手法

• 局所的な点群に対してマルチヘッド自己注意機構を適用し、幾何的文脈に基づいて関連する点をソフトに選択する。
• 注意スコアはクエリとキーのドット積によって計算され、その後、注意の鋭さを調整するための学習可能な温度パラメータで制御されるソフトマックス関数を適用する。
• 固定された大きな近傍範囲（例：k=25 または 50）を処理することで、kのチューニングが不要なまま、多様な幾何的構造に一般化可能である。
• 注目された点からの特徴を統合し、中心点の表面法線を予測する。
• 予測値と真値法線の平均二乗誤差損失を用いて、PCPNetデータセット上でエンドツーエンドに訓練する。
• 法線推定精度の評価と、下流の点対平面ICPへの応用を通じて、利点を評価する。

実験結果

リサーチクエスチョン

• RQ1 学習可能な温度パラメータを備えた自己注意機構は、点群における近傍範囲に依存しない法線推定を可能にするか？
• RQ2 手動でチューニングされたkを用いた従来のk-NN法と比較して、固定された大きな近傍範囲におけるソフトな注目選択は性能を上回るか？
• RQ3 1つのコンactなモデルが、マルチスケールエキスパートモデルと比較して顕著に小さく、速くSOTA性能を達成できるか？
• RQ4 提案手法による法線推定は、手動での近傍パrameterチューニングなしで、点対平面ICPの収束速度を向上させるか？
• RQ5 固定された大きな近傍範囲を用いた場合、多様な幾何的構造に対して本手法はどれほど頑健か？

主な発見

• 提案手法はPCPNetデータセットで94.1%のPGP10精度を達成し、前回SOTAの91.2%を上回った。
• 前回SOTAモデル（Nesti-Net、1.1GB）と比較して、モデルサイズは25倍小さく、推論速度は12倍速い。
• 点対平面ICPでは、最適なkを用いたPCAやNesti-Netよりも速く収束し、nb50では平均11.3回、nb25では11.7回の反復で収束した。
• nb25とnb50の両方の近傍サイズで一貫した性能を示しており、近傍範囲に対して頑健であることが示された。
• PCAですらk値を全探索しても、本手法の法線を用いたICPは、ほとんどの形状でPCAやNesti-Netを上回った。
• Nesti-Netでは19個の形状中12個で収束しなかったが、本手法はs19を除き、すべての形状で収束した（s19は真値でも失敗）。