[論文レビュー] Point Cloud Registration using Representative Overlapping Points

Lifa Zhu, Dongrui Liu+5 more|arXiv (Cornell University)|Jul 6, 2021

3D Shape Modeling and Analysis参考文献 46被引用数 23

ひとこと要約

ROPNet は、コンテキストガイドドモジュールとトランスフォーマーに基づく特徴マッチング除去（TFMR）モジュールを用いて代表的な重複点を特定することで、部分対部分点群登録のためのディープラーニング手法を提案する。この手法により、問題が部分対完全登録に変換され、ノイズが多く部分的に重複する ModelNet40 データにおいて、AO 条件下で $ ext{Error}(R)$ が 1.1566、$ ext{Error}(t)$ が 0.0137 という最先端の性能を達成する。

ABSTRACT

3D point cloud registration is a fundamental task in robotics and computer vision. Recently, many learning-based point cloud registration methods based on correspondences have emerged. However, these methods heavily rely on such correspondences and meet great challenges with partial overlap. In this paper, we propose ROPNet, a new deep learning model using Representative Overlapping Points with discriminative features for registration that transforms partial-to-partial registration into partial-to-complete registration. Specifically, we propose a context-guided module which uses an encoder to extract global features for predicting point overlap score. To better find representative overlapping points, we use the extracted global features for coarse alignment. Then, we introduce a Transformer to enrich point features and remove non-representative points based on point overlap score and feature matching. A similarity matrix is built in a partial-to-complete mode, and finally, weighted SVD is adopted to estimate a transformation matrix. Extensive experiments over ModelNet40 using noisy and partially overlapping point clouds show that the proposed method outperforms traditional and learning-based methods, achieving state-of-the-art performance. The code is available at https://github.com/zhulf0804/ROPNet.

研究の動機と目的

• ノイズや不完全な重複がある状況下でも、部分対部分点群登録の課題に対処すること。
• 従来の学習ベース手法で生じる非重複点やノイズの影響による誤った対応を低減すること。
• 代表的な重複点の選択により、部分対部分登録を部分対完全登録に変換することで、登録精度を向上させること。
• 未観測の形状カテゴリやノイズのあるデータに対しても耐障害性と一般化性能を向上させること。

提案手法

• コンテキストガイドド（CG）モジュールは、エンコーダーネットワークから得られるグローバル特徴を用いて点の重複スコアを予測し、粗い初期登録を実行する。
• CG モジュールは、ソースとターゲット点群特徴間の相互情報とグローバルコンテキストを活用し、初期の剛体変換を推定する。
• トランスフォーマーに基づく特徴マッチング除去（TFMR）モジュールは、点特徴を豊かにし、部分対完全モードでの類似度行列を計算する。
• TFMR モジュールは、重複スコアと特徴マッチングを用いて非代表的点を除去し、信頼性の高い対応のみを保持する。
• 精錬された対応集合に対して重み付き SVD を適用し、最終的な変換行列 $T \in SE(3)$ を推定する。
• CG モジュールと TFMR モジュールの両方の変換を統合することで、精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 代表的な重複点を効果的に特定することで、部分対部分登録の精度を向上させることができるか？
• RQ2 非重複点やノイズのある点を体系的に除去することで、誤った対応を低減できるか？
• RQ3 部分対部分登録を部分対完全登録に変換することで、より良い性能が得られるか？
• RQ4 グローバルコンテキストとローカル特徴の精錬の統合が、ノイズや形状変動に対する耐障害性をどのように向上させるか？

主な発見

• ROPNet は AO データにおいて、$ ext{Error}(R)$ が 1.1566、$ ext{Error}(t)$ が 0.0137 と、比較手法すべてを上回る最低の誤差を達成した。
• TO データでは、$ ext{Error}(R)$ が 1.4656、$ ext{Error}(t)$ が 0.0145 を達成し、未観測カテゴリへの一般化性能が優れていることが示された。
• CG モジュールは、閾値 0.07 で 0.939 の精度を達成し、重複点の特定に高い信頼性があることを示している。
• TFMR モジュールを導入した場合、閾値 0.07 での精度は 0.987 に上昇したが、非代表的点の効果的な除去により再現率は低下した。
• アブレーションスタディの結果、粗い登録、重複予測、FMR の統合により、ベースライン比で回転誤差が 60% 減少した。
• ROPNet はガウスノイズに対しても耐障害性を示し、FGR の性能が急激に低下する状況でも低誤差を維持した。