[논문 리뷰] Correspondence-Free Point Cloud Registration with SO(3)-Equivariant Implicit Shape Representations

Minghan Zhu, Maani Ghaffari외 1명|arXiv (Cornell University)|2021. 07. 21.

3D Shape Modeling and Analysis참고 문헌 48인용 수 12

한 줄 요약

이 논문은 SO(3)-등변 은닉 형태 표현을 사용하여 대응관계 없이 점군 정렬을 수행하는 방법을 제안한다. 이는 홉의 방법를 통해 전역적이고 폐쇄형 회전 정렬을 가능하게 한다. SO(3)-등변 특징 학습과 은닉 형태 복원과의 공동 학습을 통해 노이즈, 샘플링 변동성, 초기 자세 오차에 대한 강건성을 확보하였으며, 합성 및 실세계 데이터에서 기존의 대응관계 없이 학습하는 딥러닝 방법들을 능가한다.

ABSTRACT

This paper proposes a correspondence-free method for point cloud rotational registration. We learn an embedding for each point cloud in a feature space that preserves the SO(3)-equivariance property, enabled by recent developments in equivariant neural networks. The proposed shape registration method achieves three major advantages through combining equivariant feature learning with implicit shape models. First, the necessity of data association is removed because of the permutation-invariant property in network architectures similar to PointNet. Second, the registration in feature space can be solved in closed-form using Horn's method due to the SO(3)-equivariance property. Third, the registration is robust to noise in the point cloud because of the joint training of registration and implicit shape reconstruction. The experimental results show superior performance compared with existing correspondence-free deep registration methods.

연구 동기 및 목표

• 큰 초기 자세 오차가 존재하는 상황에서도 점군 정렬을 위해 대응관계가 필요 없는 문제를 해결하기 위해.
• 노이즈, 흐린 샘플링, 점군의 밀도 변화와 같은 실세계의 왜곡에 대해 딥러닝 기반 정렬의 강건성을 향상시키기 위해.
• 특징 공간에서 SO(3)-등변성을 활용하여 초기 자세에 영향을 받지 않는 전역 정렬을 가능하게 하기 위해.
• 은닉 형태 복원을 정렬 학습 루프에 통합하여 특징 품질과 기하 일반화 능력을 향상시키기 위해.
• 등변 표현 학습을 통해 특징 공간에서 폐쇄형 자세 추정을 실현하기 위해.

제안 방법

• 방법은 벡터 뉴런 레이어를 사용한 SO(3)-등변 신경망을 활용하여 입력 점군의 회전이 학습된 특징 공간에 그대로 유지되도록 보장한다.
• PointNet 스타일 아키텍처에 벡터 뉴런을 통합하여 점군 특징을 C×3 차원 공간에 임bedding한다. 이는 SO(3) 등변성을 유지하기 위함이다.
• 회전은 SO(3) 등변 특징 공간에서 홉의 방법를 사용하여 추정한다. 이는 유지된 회전 대칭성 덕분에 폐쇄형 해를 제공한다.
• 네트워크는 정렬 손실과 은닉 형태 복원 손실(예: 점유도 또는 SDF 예측)을 조합한 다중 과제 손실을 통해 엔드 투 엔드로 학습된다.
• 은닉 형태 모델링을 통해 특징가 특정 샘플링된 점들보다 기하학적 구조를 더 잘 반영하도록 유도함으로써, 입력의 왜곡에 대한 강건성을 향상시킨다.
• 이 방법은 전역적임을 설계하였으며, SO(3)-등변성 덕분에 초기 자세의 차이에 관계없이 일관된 성능을 보인다.

실험 결과

연구 질문

• RQ1 SO(3)-등변 특징 학습이 폐쇄형 자세 추정을 가능하게 하는 전역적이고 대응관계 없는 점군 정렬을 가능하게 할 수 있는가?
• RQ2 은닉 형태 복원과의 공동 학습이 점군의 노이즈와 샘플링 밀도 변화에 대해 강건성을 향상시키는가?
• RQ3 SO(3) 등변성이 반복 최적화의 필요성을 얼마나 줄이고, 큰 초기 자세 오차 상황에서 성능을 향상시키는가?
• RQ4 은닉 형태 표현 학습이 정렬에 사용되는 특징의 기하 일반화 능력을 향상시킬 수 있는가?
• RQ5 기존의 대응관계 없는 딥러닝 정렬 방법들과 비교했을 때, 정확도와 강건성 측면에서 본 방법의 성능은 어떠한가?

주요 결과

• 제안된 방법은 전역 정렬을 달성하였으며, 모든 초기 자세 각도에서 일관된 성능을 보였으며, 좋은 초기화가 필요한 국소적 방법과는 대조된다.
• 은닉 형태 복원과의 공동 학습 덕분에 노이즈, 샘플링 밀도 변화, 점군의 왜곡에 대해 뛰어난 강건성을 보였다.
• SO(3)-등변 특징 공간에서 홉의 방법를 통해 폐쇄형 자세 추정을 실현함으로써 반복 보정 없이도 빠르고 정확한 정렬이 가능했다.
• 합성 및 실세계 데이터셋에 대한 정량적 결과는 최신의 대응관계 없는 딥러닝 방법들보다 낮은 정렬 오차를 기록하였다.
• 학습 루프에 은닉 형태 모델링을 통합함으로써 특징 품질이 크게 향상되었고, 이는 더 나은 일반화 능력과 입력 변동성에 대한 감도 감소로 이어졌다.
• 희박하거나 노이즈가 많은 점군에서도 효과적이었으며, 은닉 표현이 개별 점의 위치를 넘어서 기하학적 구조를 포착하기 때문이다.