[論文レビュー] PIE-NET: Parametric Inference of Point Cloud Edges

Xiaogang Wang, Yuelang Xu+5 more|arXiv (Cornell University)|Jul 9, 2020

3D Shape Modeling and Analysis参考文献 47被引用数 43

ひとこと要約

PIE-Netは、3D点群のエッジ点とコーナー点を検出し、エッジを表す一連のパラメトリック曲線（直線、円、B-spline）を推定する、エンドツーエンドで学習可能なパイプラインを提示し、従来法および先行の学習法を上回る。

ABSTRACT

We introduce an end-to-end learnable technique to robustly identify feature edges in 3D point cloud data. We represent these edges as a collection of parametric curves (i.e.,lines, circles, and B-splines). Accordingly, our deep neural network, coined PIE-NET, is trained for parametric inference of edges. The network relies on a "region proposal" architecture, where a first module proposes an over-complete collection of edge and corner points, and a second module ranks each proposal to decide whether it should be considered. We train and evaluate our method on the ABC dataset, a large dataset of CAD models, and compare our results to those produced by traditional (non-learning) processing pipelines, as well as a recent deep learning based edge detector (EC-NET). Our results significantly improve over the state-of-the-art from both a quantitative and qualitative standpoint.

研究の動機と目的

• ノイズと疎なサンプリング下での3D点群に対するデータ主導で頑健なエッジ検出手法を動機づける。
• 点ごとのエッジラベルではなく、パラメトリックなエッジ曲線（直線、円、B-splines）を出力する PIE-Net を提案する。
• まずエッジ/コーナーポイントを検出し、次に曲線提案を生成・選択する領域提案フレームワークを開発する。
• ABC CADモデルデータセットで訓練・評価し、精度と一般化を示す。
• エンドツーエンド学習が従来のパイプラインおよびEC-Netよりも定量的・定性的指標の双方で改善を示すことを示す。

提案手法

• 2段階のパイプライン： (i) エッジ/コーナーポイントを特定するためのポイント分類と、それをエッジ/コーナー上に射影するオフセット、 (ii) 開放および閉曲線を生成するための曲線提案と選択。
• 円とB-splinesのパラメータ化は微分可能；円は3点不共線を用いて(n, c, r)を導出し円上の点をサンプリングする；B-splinesは4つの制御点と均一なサンプリングを用い、中間点の残差を回帰する。
• 開曲線提案: N個のコーナーからすべてのコーナーペアを生成し、ペアの中点を中心とする球内を探索し、エッジ点のサブセットをサンプルして、マルチヘッドのPointNet風ネットワークで曲線の型とパラメータを共同予測する。
• 閉曲線提案: エッジ点を特徴類似性でクラスタリングし、各クラスタに円を適合させ、信頼度とともに円のパラメータを予測する；パラメータ回帰にはChamfer距離を用いる。
• 訓練損失：L_detection はエッジ/コーナー分類の focal loss とオフセットの smooth L1 を組み合わせ；L_proposal はマスク、型分類、パラメータ回帰損失を Chamfer-based terms とともに組み合わせ；L_closed は類似性、スコア、パラメータ回帰のための損失を用いる；最終曲線を選択するための非極大抑制と IoU ベースのクラスタリング。
• 計算面：クラウドごとの分類は約0.5s、曲線生成は約3sの推定実行時間；複数コンポーネントの訓練時間は Titan X GPU 上。

実験結果

リサーチクエスチョン

• RQ1 領域提案ベースの学習フレームワークは、点群から3Dエッジ特徴を正確に検出し、パラメトリック曲線として表現できるか。
• RQ2 ノイズや異なるサンプリング密度下で、エッジ/コーナー検出、曲線タイプ分類、パラメータ回帰の各要素がどのように相互作用して堅牢なエッジ再構成を生み出すか。
• RQ3 パラメトリックなエッジ表現（直線、円、B-splines）は、新規のCAD形状や非CADオブジェクトカテゴリーに対して良く一般化するか。
• RQ4 従来手法（ VCM, EAR ）および学習ベースのベースライン（ EC-Net ）と比較して、エッジ検出精度と推定曲線の幾何学的忠実度の双方で PIE-Net の性能はどうか。
• RQ5 サンプリング、閾値、および球ベースのヒューリスティックが、開曲線/閉曲線提案の質と効率に与える影響は何か。

主な発見

• PIE-NetはABCデータセットはエッジ Chamfer Distanceと IoUの指標の双方で従来のエッジ検出器および EC-Net を大きく上回る。
• 訓練済みCADモデルを超えた新規オブジェクトカテゴリへの一般化性を、テーブル、椅子、花瓶等の定性的結果で示す。
• エッジ/コーナー検出と開曲線/閉曲線提案を組み合わせた完全なエンドツーエンドパイプラインは、幾何学的忠実度とノイズ・サンプリング密度の変化に対する頑健性が優れている。
• アブレーション研究は、球の半径、コーナー/エッジ閾値、および最終曲線精度における残差オフセット D_e, D_c の含有の影響を示し、安定性を示す。
• VCM、EAR、EC-Netと比較して、PIE-Netはさまざまな評価設定でより低いECDとより高いIoU・精度・再現率を達成。
• アプローチは効率的な実行時間を維持（分類約0.5s、クラウドごとに曲線生成約3s）し、ベースラインより高い精度を提供。