[논문 리뷰] Density-aware Chamfer Distance as a Comprehensive Metric for Point Cloud Completion

Tong Wu, Liang Pan외 4명|arXiv (Cornell University)|2021. 11. 24.

3D Shape Modeling and Analysis참고 문헌 38인용 수 68

한 줄 요약

Density-aware Chamfer Distance (DCD)를 도입하여 Chamfer Distance로부터 파생된 한정적이고 밀도에 민감한 지표를 제시하고, 이를 통해 포인트 클라우드 완성을 더 잘 평가하고 훈련하도록 보완한 포인트 디스크리미네이터와 가이드 다운샘플링을 제안한다.

ABSTRACT

Chamfer Distance (CD) and Earth Mover's Distance (EMD) are two broadly adopted metrics for measuring the similarity between two point sets. However, CD is usually insensitive to mismatched local density, and EMD is usually dominated by global distribution while overlooks the fidelity of detailed structures. Besides, their unbounded value range induces a heavy influence from the outliers. These defects prevent them from providing a consistent evaluation. To tackle these problems, we propose a new similarity measure named Density-aware Chamfer Distance (DCD). It is derived from CD and benefits from several desirable properties: 1) it can detect disparity of density distributions and is thus a more intensive measure of similarity compared to CD; 2) it is stricter with detailed structures and significantly more computationally efficient than EMD; 3) the bounded value range encourages a more stable and reasonable evaluation over the whole test set. We adopt DCD to evaluate the point cloud completion task, where experimental results show that DCD pays attention to both the overall structure and local geometric details and provides a more reliable evaluation even when CD and EMD contradict each other. We can also use DCD as the training loss, which outperforms the same model trained with CD loss on all three metrics. In addition, we propose a novel point discriminator module that estimates the priority for another guided down-sampling step, and it achieves noticeable improvements under DCD together with competitive results for both CD and EMD. We hope our work could pave the way for a more comprehensive and practical point cloud similarity evaluation. Our code will be available at: https://github.com/wutong16/Density_aware_Chamfer_Distance .

연구 동기 및 목표

• 포인트 클라우드 완성 평가에서 Chamfer Distance(CD)와 Earth Mover’s Distance(EMD)의 한계를 식별한다.
• 효율적이고 한정된 상태를 유지하면서 밀도 분포와 국부 세부 정보를 포착하기 위해 Density-aware Chamfer Distance(DCD)를 제안한다.
• DCD를 신뢰할 수 있는 평가 지표이자 훈련을 위한 효과적인 손실 함수로 시연한다.
• 완성과정에서 가이드 다운샘플링과 균형 잡힌 포인트 분포를 가능하게 하는 포인트 디스크리미네이터 모듈을 개발한다.

제안 방법

• CD에 1차 테일러 전개를 적용하여 각 포인트의 기여도를 0에서 1 사이로 한정하도록 DCD를 도출한다.
• 각 포인트의 기여도를 그 탐색 빈도 n_y와 온도 매개변수 alpha로 가중하여 밀도 인식 항을 포함시킨다.
• 경계가 있고 기울기 안정적인 최적화를 제공하는 두 항 대칭 손실을 DCD를 사용하여 도입한다.
• 포인트의 중요성을 식별하기 위해 밀도 인식 신호 g(x)를 예측하는 신경망 포인트 디스크리미네이터를 설계한다.
• 두 단계 완성 과정에서 이상치를 줄이고 밀도를 균형 있게 조정하기 위해 디스크리미네이터 출력으로 가이드 다운샘플링을 수행한다.
• 전략적으로 CD 손실을 훈련 중 DCD 손실로 교체하여 전역 구조와 국부 디테일을 모두 개선한다.

실험 결과

연구 질문

• RQ1 포인트 클라우드의 다양한 국부 밀도와 노이즈 수준에 대해 밀도 인식 수정된 Chamfer Distance가 더 일관된 평가를 제공할 수 있는가?
• RQ2 포인트 클라우드 완성 작업에서 평가 지표 및 학습 손실 모두로서 DCD가 CD와 EMD보다 우수한가?
• RQ3 밀도 인식 디스크리미네이터와 가이드 다운샘플링이 데이터셋 전반에 걸친 완성 품질과 안정성을 향상시킬 수 있는가?
• RQ4 일반 PCN-계열 아키텍처에서 DCD를 손실 함수로 사용할 때의 실용적 효과는 무엇인가?
• RQ5 DCD가 CD 및 EMD와 비교하여 전역 구조 보존과 미세한 국부 디테일의 균형을 어떻게 달성하는가?

주요 결과

• DCD는 전역 구조와 국부 기하학 모두와 상관관계가 있는 [0,1]-정규화된 경계 거리를 제공한다.
• DCD는 CD와 EMD가 서로 다를 때 특히 더 일관되고 신뢰할 수 있다.
• 손실로 DCD를 사용한 훈련은 EMD를 감소시키고 CD로 훈련된 모델에 비해 CD도 감소시킬 수 있다.
• 밀도 인식 포인트 디스크리미네이터와 가이드 다운샘플링을 갖춘 2단계 완성 프레임워크가 시각적 품질 및 균형 잡힌 포인트 분포를 향상시킨다.
• 경쟁적 베이스라인에서 CD 손실을 DCD 손실로 교체하면 CD, EMD, DCD 지표 간의 우호적인 트레이드오프를 달성한다.