[論文レビュー] You Only Hypothesize Once: Point Cloud Registration with Rotation-equivariant Descriptors

Haiping Wang, Yuan Liu+2 more|arXiv (Cornell University)|Sep 1, 2021

3D Shape Modeling and Analysis参考文献 60被引用数 19

ひとこと要約

本稿では、回転等変性および回転不変性を備えた記述子を用いることで、最小限の RANSAC イタレーションで正確かつ効率的な点群登録を実現する YOHO という点群登録フレームワークを提案する。正二十面体群上の群等変性ディープラーニングを活用することで、1組の一致ペアからのみ回転を推定でき、探索空間を著しく削減し、3DMatch、3DLoMatch、ETH、WHU-TLS データセットにおいて、400 イタレーション未満で最先端の性能を達成する。

ABSTRACT

In this paper, we propose a novel local descriptor-based framework, called You Only Hypothesize Once (YOHO), for the registration of two unaligned point clouds. In contrast to most existing local descriptors which rely on a fragile local reference frame to gain rotation invariance, the proposed descriptor achieves the rotation invariance by recent technologies of group equivariant feature learning, which brings more robustness to point density and noise. Meanwhile, the descriptor in YOHO also has a rotation equivariant part, which enables us to estimate the registration from just one correspondence hypothesis. Such property reduces the searching space for feasible transformations, thus greatly improves both the accuracy and the efficiency of YOHO. Extensive experiments show that YOHO achieves superior performances with much fewer needed RANSAC iterations on four widely-used datasets, the 3DMatch/3DLoMatch datasets, the ETH dataset and the WHU-TLS dataset. More details are shown in our project page: https://hpwang-whu.github.io/YOHO/.

研究の動機と目的

• ノイズ、密度の変動、部分的オーバーラップの下でも頑健な点群登録を実現すること。
• 回転不変性を実現するために脆弱な局所基準座標系（LRF）に依存する既存の局所記述子の限界を克服すること。
• 回転等変性特徴を活用して、1組の対応ペアから相対回転を推定し、RANSAC の探索空間を削減すること。
• ベースライン手法よりも著しく少ない RANSAC イタレーションで最先端の登録精度を達成すること。

提案手法

• 提案する YOHO-Desc 記述子は、正二十面体群上の群等変性畳み込みネットワークを用いて構築され、内在的な回転等変性を実現する。
• 正二十面体群全体にわたる特徴のプーリングにより回転不変性を達成し、入力の回転に対して頑健な記述子を実現する。
• 記述子の回転等変性部分により、1組の一致ペアからのみ、2つの対応する局所パッチ間の相対回転を推定できる。
• 1組の一致ペアを用いて候補となる変換（回転＋平行移動）を計算し、大幅に削減された仮説空間で RANSAC を用いて検証する。
• 局所パッチの60通りの回転版に対して特徴抽出を実施し、等変性表現を捉えた後、プーリングにより不変性を実現する。
• 1点群断片あたり1回の特徴抽出を実施することで、すべてのペアワイズアライメントで再利用が可能となり、計算効率が向上する。

実験結果

リサーチクエスチョン

• RQ1 1つの対応仮説からのみ登録を正確に可能にする回転等変性記述子は、RANSAC イタレーションを著しく削減できるか？
• RQ2 ノイズが強く、点密度に顕著な変動がある状況下で、LRFに基づく手法と比較して、提案手法の記述子はどのように性能を発揮するか？
• RQ3 群等変性特徴の活用が、点群登録における頑健性と精度をどの程度向上させるか？
• RQ4 既存手法よりも著しく少ない RANSAC イタレーションで、最先端の性能を達成できるか？

主な発見

• YOHO は、3DMatch、3DLoMatch、ETH、WHU-TLS データセットにおいて、400 イタレーション未満で優れた登録精度を達成する。
• YOHO-C および YOHO-O ともに、400 イタレーション未満で正しい変換を特定するが、ベースライン手法は 500 イタレーション以内に正しい変換を達成する割合がわずかである。
• 3DLoMatch データセット（インライヤ比 <0.1）においても、YOHO-O は1組の一致ペアに依存するため、高い成功確率を維持する。これに対して、ベースライン手法は3組のペアが必要となる。
• 60回の順伝播による特徴抽出時間が長くなるものの、効率的な RANSAC と特徴の再利用により、3DMatch および 3DLoMatch では YOHO の総合登録時間が最短である。
• YOHO はノイズおよび密度変動に対して頑健であり、こうした歪みに敏感な LRF に基づく手法を上回る性能を示す。
• 平面的オーバーラップ領域では、回転推定が曖昧になるため、本手法は失敗する。これは、平坦な表面領域における制限を示している。