[論文レビュー] Self-Supervised Point Cloud Registration with Deep Versatile Descriptors

Dongrui Liu, Chuanchuan Chen+3 more|arXiv (Cornell University)|Jan 25, 2022

Remote Sensing and LiDAR Applications被引用数 5

ひとこと要約

本論文では、自己教師あり点群登錏手法を提案し、グローバルおよびローカル記述子を統合的に活用することで特徴表現と変換認識を向上させる。局所的一致性損失および補助タスク（再構成と法線推定）を導入することで、合成データおよび実世界データの両方で最先端の性能を達成し、教師あり手法でさえも上回りながら計算効率を維持する。

ABSTRACT

As a fundamental yet challenging problem in intelligent transportation systems, point cloud registration attracts vast attention and has been attained with various deep learning-based algorithms. The unsupervised registration algorithms take advantage of deep neural network-enabled novel representation learning while requiring no human annotations, making them applicable to industrial applications. However, unsupervised methods mainly depend on global descriptors, which ignore the high-level representations of local geometries. In this paper, we propose to jointly use both global and local descriptors to register point clouds in a self-supervised manner, which is motivated by a critical observation that all local geometries of point clouds are transformed consistently under the same transformation. Therefore, local geometries can be employed to enhance the representation ability of the feature extraction module. Moreover, the proposed local descriptor is flexible and can be integrated into most existing registration methods and improve their performance. Besides, we also utilize point cloud reconstruction and normal estimation to enhance the transformation awareness of global and local descriptors. Lastly, extensive experimental results on one synthetic and three real-world datasets demonstrate that our method outperforms existing state-of-art unsupervised registration methods and even surpasses supervised ones in some cases. Robustness and computational efficiency evaluations also indicate that the proposed method applies to intelligent vehicles.

研究の動機と目的

• グローバル記述子に依存するのみで、局所的な幾何的表現が乏しい自己教師あり点群登錏手法の限界を解消すること。
• 剛体変換下での局所点集合の幾何的一致性を活用することで、深層特徴抽出における変換認識を向上させること。
• 教師付き対応情報が不要な状態で、既存の登錏パイプラインにローカル記述子を統合可能な柔軟な自己教師ありフレームワークを設計すること。
• ノイズ、外れ値、部分的点群などの厳しい条件下でも、実世界のインテリジェントドライブ応用における耐障害性と効率性を向上させること。
• 補助タスク（点群再構成および法線推定）が特徴表現および登錏正確性を向上させる有効性を検証すること。

提案手法

• 剛体変換下での幾何的不変性を強制するため、局所的一致性損失を用いてグローバルおよびローカル記述子を共同で最適化する自己教師ありフレームワークを提案する。
• 点群のすべての局所的幾何が一貫して変換されることに着目したプロキシタスクを設計し、ネットワークが高レベルの構造的表現を学習できるようにする。
• 特徴を特徴的な局所的点集合から抽出する局所的記述子モジュールを導入し、部分的またはノイズの多いスキャンに対しても耐障害性を確保する。
• グローバルおよびローカル記述子の変換認識を強化するために、再構成および法線推定を補助タスクとして採用する。
• 変換されたソース点群とターゲット点群間の特徴差の正方行列可視化を用いて収束性およびアライメント品質を分析する。
• グローバル記述子損失、局所的一致性損失、再構成損失、法線推定損失を組み合わせたマルチタスク損失関数を採用し、最適なバランスを得るためにハイパーパramータを調整する。

実験結果

リサーチクエスチョン

• RQ1 グローバル記述子に加えてローカル記述子を併用することで、グローバル記述子に依存するのみの自己教師あり点群登錏を上回ることができるか？
• RQ2 局所的点集合間での幾何的一致性を強制することで、特徴表現および登錏正確性がどのように向上するか？
• RQ3 再構成や法線推定といった補助タスクが、深層特徴抽出における変換認識をどの程度向上させるか？
• RQ4 提案手法は、厳しい現実世界の条件下で、自己教師ありおよび教師あり登錏手法を上回ることができるか？
• RQ5 局所的点集合のサイズおよびハイパーパramータの設定が、全体の登錏性能にどのように影響するか？

主な発見

• 提案手法は、合成データ（ModelNet40）および実世界データ（ScanNet, KITTI, NuScenes）の両方で最先端の性能を達成し、既存の自己教師あり手法および一部の教師あり手法を上回る。
• すべての補助タスクとグローバル・ローカル学習を統合したフルモデル（D）が最良の性能を示し、各コンponentが最終結果に顕著に寄与していることを示している。
• 最適な局所的記述子サイズは64点であり、32点（小さい）や96点（大きい）のサイズでは性能が低下し、詳細性と耐障害性のトレードオフが顕在化している。
• 最良のハイパーパramータ設定は、再構成用にλ₁=0.5、法線推定用にλ₂=0.1であり、より大きな値はタスクの不均衡により性能を劣化させる。
• 最適化中に回転誤差を340.33°から6.30°に低減し、高い変換認識特徴抽出が可能である一方、低認識ベースラインは局所的最適解に陥り（40.68°）、収束しない。
• 局所的一致性損失は柔軟性があり、多数の既存の登錏ネットワークに統合可能で、アーキテクチャの大幅な見直し無しに性能向上が可能である。