[論文レビュー] PCRNet: Point Cloud Registration Network using PointNet Encoding

Vinit Sarode, Xue-Qian Li+5 more|arXiv (Cornell University)|Aug 21, 2019

3D Shape Modeling and Analysis参考文献 40被引用数 56

ひとこと要約

PCRNet は Siamese PointNet エンコードを用いて点群登録のための剛体変換を直接推定し、より高精度の反復バリアントで動作します。ノイズ耐性と速度の点でいくつかのベースラインを上回ります。

ABSTRACT

PointNet has recently emerged as a popular representation for unstructured point cloud data, allowing application of deep learning to tasks such as object detection, segmentation and shape completion. However, recent works in literature have shown the sensitivity of the PointNet representation to pose misalignment. This paper presents a novel framework that uses the PointNet representation to align point clouds and perform registration for applications such as tracking, 3D reconstruction and pose estimation. We develop a framework that compares PointNet features of template and source point clouds to find the transformation that aligns them accurately. Depending on the prior information about the shape of the object formed by the point clouds, our framework can produce approaches that are shape specific or general to unseen shapes. The shape specific approach uses a Siamese architecture with fully connected (FC) layers and is robust to noise and initial misalignment in data. We perform extensive simulation and real-world experiments to validate the efficacy of our approach and compare the performance with state-of-art approaches.

研究の動機と目的

• Misalignment とノイズ下で PointNet 表現を用いた非構造化点群の登録を動機づける。
• 未知の形状に対して形状特異的か一般的かを問わず登録フレームワークを開発する。
• SE(3) 変換を推定する single-shot および iterative PCRNet アーキテクチャを提案する。
• ICP、Go-ICP、PointNetLK などのベースラインと比較して頑健性、速度、精度を評価する。
• 実世界データへの適用性と下流タスクへの統合可能性を示す。

提案手法

• ソースとテンプレートの点群を encode するために Siamese PointNet（5 層の MLP：64-64-64-128-1024）を使用する。
• 対称的な max-pooling によるグローバル特徴を計算し、それらを結合して 5 層の FC に通して 7D 変換（平行移動 t ∈ R3 と単位クォータニオン q ∈ R4）を回帰する。
• 変換後のソースとテンプレート間の Earth Mover Distance (EMD) を損失として訓練する。
• 成功的推定 T(i) を適用してアライメントを refine する反復的 PCRNet 変種を提供し、最終姿勢のために T(n)…T(1) を結合する。
• ベースライン（ICP、Go-ICP、PointNetLK）と比較し、オブジェクトの特異性とノイズの変化に対する性能を分析する。
• ModelNet40 で異なるデータ regime（複数カテゴリ／モデル、単一カテゴリなど）で訓練する。

実験結果

リサーチクエスチョン

• RQ1 PointNet ベースのエンコーディングで、明示的な対応付けなしに two unordered な点群の正確な登録が可能か。
• RQ2 形状特異性（カテゴリ／モデル知識）が登録の精度とノイズ耐性にどのように影響するか。
• RQ3 single-shot と iterative PCRNet の速度と精度のトレードオフはどうなるか。
• RQ4 PCRNet は合成データと実データの両方で既存のベースライン（ICP、Go-ICP、PointNetLK）とどのように比較されるか。
• RQ5 ガウシアンノイズに対する頑健性はあり unseen カテゴリへ一般化するか。

主な発見

Algorithm	Rot. Error Mean (deg)	Rot. Error StdDev (deg)	Trans. Error Mean	Trans. Error StdDev	Time (ms)	AUC Mean	AUC StdDev
PCRNet	8.82	4.82	0.0077	0.0008	1.89	0.9544
Iterative PCRNet	1.03	2.56	0.0085	0.0024	146	0.9943
PointNetLK [2]	51.80	29.63	0.8783	0.0054	234	0.7059
ICP [6]	11.87	31.87	0.0282	0.0392	407	0.9321
Go-ICP [37]	0.45	0.19	0.0016	0.0007	2.7e5	1.0000

• Iterative PCRNet は高い登録精度を達成し、Go-ICP に近い精度を実現しつつはるかに高速である。
• Single-shot PCRNet は反復版より高速だが若干精度は低い。いずれもノイズ条件下で PointNetLK を大幅に上回る。
• オブジェクト特異データで訓練された Iterative PCRNet は、訓練に何らかの表現を含む場合、 unseen カテゴリで強力な性能を示す。
• PCRNet はノイズと misalignment に対して頑健で、多くのシナリオで ICP よりも優れたリアルタイム対応の登録を提供する。
• Go-ICP は最高の AUC（1.0）を達成するが計算コストが極めて高く、反復 PCRNet はより低い実行時間で競争力のある精度を提供する。