[논문 리뷰] A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration

Renlang Huang, Yunxia Tang외 2명|arXiv (Cornell University)|2024. 10. 14.

3D Surveying and Cultural Heritage인용 수 4

한 줄 요약

이 논문은 3D 포인트 클라우드 정합을 위한 일致성 인식형 스폿 가이드드 트랜스포머인 CAST를 제안한다. 이는 스폿 가이드드 및 일치성 인식형 어텐션 메커니즘을 통해 기하 일치성을 강제하여 거친 매칭 정확도와 효율성을 향상시킨다. 이 방법은 최적 운반 및 RANSAC에 의존하지 않고 경량 희소-밀도 매칭 파이프라인을 통해 빠른 추론과 낮은 내재 비율에 대한 강건성을 확보함으로써 LiDAR 및 RGBD 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Deep learning-based feature matching has shown great superiority for point cloud registration in the absence of pose priors. Although coarse-to-fine matching approaches are prevalent, the coarse matching of existing methods is typically sparse and loose without consideration of geometric consistency, which makes the subsequent fine matching rely on ineffective optimal transport and hypothesis-and-selection methods for consistency. Therefore, these methods are neither efficient nor scalable for real-time applications such as odometry in robotics. To address these issues, we design a consistency-aware spot-guided Transformer (CAST), which incorporates a spot-guided cross-attention module to avoid interfering with irrelevant areas, and a consistency-aware self-attention module to enhance matching capabilities with geometrically consistent correspondences. Furthermore, a lightweight fine matching module for both sparse keypoints and dense features can estimate the transformation accurately. Extensive experiments on both outdoor LiDAR point cloud datasets and indoor RGBD point cloud datasets demonstrate that our method achieves state-of-the-art accuracy, efficiency, and robustness.

연구 동기 및 목표

• 기존의 거친-세밀한 포인트 클라우드 정합 방법이 전역 크로스 어텐션으로 인해 관련 없는 영역에 주목함으로써 흩어진, 일관성 없는 거친 매칭을 유도하는 한계를 해결하기 위해.
• 기하 일치성을 강제하여 새로운 일치성 인식형 매칭 신뢰도 기준을 도입함으로써 강건성과 효율성을 향상시키기 위해.
• 최적 운반 및 RANSAC과 같은 계산 비용이 큰 방법에 의존하지 않도록 경량이고 확장 가능한 세밀한 매칭 모듈을 설계함으로써 의존도를 제거하기 위해.
• 효율적인 희소-밀도 정합 및 호환성 그래프 기반 이상치 제거 기능을 통해 로봇 분야의 실시간 적용, 예를 들어 오도메트리에 적합하게 하기 위해.
• 외부 LiDATOR 및 실내 RGBD 스캔을 포함한 다양한 3D 포인트 클라우드 데이터셋에서 최신 기술 수준의 정확도, 효율성, 강건성을 달성하기 위해.

제안 방법

• 기하 일치성과 특징 유사도를 통합한 일치성 인식형 매칭 신뢰도 기준에 기반해 신뢰도가 높은 인접 패치들만 대상으로 하여 크로스 어텐션을 제한하는 스폿 가이드드 크로스 어텐션 모듈을 도입한다.
• 기하 일치성 그래프에서 눈에 띄는 노드들로부터 정보를 집계함으로써 특징의 독창성을 향상시키는 일치성 인식형 자체 어텐션 모듈을 제안한다.
• 다중 척도 특징 융합을 통해 다양한 수준의 기하 세부 정보에서 표현 학습을 향상시킨다.
• 희소 키포인트와 밀도 있는 특징을 모두 지원하는 경량 세밀한 매칭 모듈을 설계하여 최적 운반 없이도 효율적인 포인트-패치 매칭을 가능하게 한다.
• 기존의 RANSAC 기반의 가설-선택 파이프라인을 대체할 수 있는 강력한 이상치 제거를 위한 효율적인 호환성 그래프 임bedding 모듈을 활용한다.
• 희소 매칭의 효율성과 밀도 있는 보정의 정확성을 결합한 희소-밀도 정합 파이프라인을 통합한다.

실험 결과

연구 질문

• RQ1 일치성 인식형 어텐션 메커니즘이 거친 포인트 클라우드 대응의 신뢰성과 기하 일치성에 기여하는가?
• RQ2 스팟 가이드드 크로스 어텐션은 특징 매칭 중 관련 없는 영역의 간섭을 어떻게 줄이는가?
• RQ3 일치성 인식형 자체 어텐션 모듈이 호환성 그래프 기반 샘플링을 통해 특징의 독창성을 얼마나 향상시키는가?
• RQ4 경량적이고 희소-밀도 매칭 모듈은 최적 운반 또는 RANSAC에 의존하지 않고도 높은 정확도를 달성할 수 있는가?
• RQ5 제안된 방법은 다양한 3D 포인트 클라우드 데이터셋에서 정확도, 효율성, 강건성 면에서 기존 최신 기술 수준의 접근법을 초월하는가?

주요 결과

• 제안된 CAST 모델은 외부 LiDAR 및 실내 RGBD 포인트 클라우드 정합 벤치마크에서 최신 기술 수준의 성능을 달성한다.
• 기하 일치성 강제를 통해 불일치하는 대응을 줄임으로써 CAST는 거친 매칭 품질을 크게 향상시킨다.
• 최적 운반 또는 RANSAC에 의존하는 기존 방법보다 더 빠른 추론 속도와 더 나은 확장성을 확보한다.
• 일치성 인식형 자체 어텐션과 스폿 가이드드 크로스 어텐션 모듈이 함께 기능 표현 품질과 매칭 신뢰도를 향상시킨다.
• 경량 세밀한 매칭 모듈은 패치 간 밀도 있는 매칭의 계산 부담 없이도 정확한 정합을 가능하게 한다.
• 호환성 그래프 임베딩 모듈은 이상치를 효과적으로 제거하며, 비효율적인 가설-선택 파이프라인을 더 확장 가능한 솔루션으로 대체한다.