[논문 리뷰] Deterministic PointNetLK for Generalized Registration

Xue-Qian Li, Jhony Kaesemodel Pontes외 1명|arXiv (Cornell University)|2020. 08. 21.

3D Shape Modeling and Analysis참고 문헌 30인용 수 10

한 줄 요약

이 논문은 유한차분 기반 기울기 추정을 분석적 기울기로 대체하여 3D 포인트 클라우드 정렬에서 강건성과 일반화 능력을 향상시키는 결정론적 PointNetLK 방법을 제안한다. 분석적 기울기와 자코비안 분해를 활용함으로써, 노이즈가 많은, 희소한, 부분적인 포인트 클라우드에서도 뛰어난 정확도와 신뢰성을 달성하며, 기존의 PointNetLK 및 최첨단 기법들을 능가한다.

ABSTRACT

There has been remarkable progress in the application of deep learning to 3D point cloud registration in recent years. Despite their success, these approaches tend to have poor generalization properties when attempting to align unseen point clouds at test time. PointNetLK has proven the exception to this rule by leveraging the intrinsic generalization properties of the Lucas & Kanade (LK) image alignment algorithm to point cloud registration. The approach relies heavily upon the estimation of a gradient through finite differentiation -- a strategy that is inherently ill-conditioned and highly sensitive to the step-size choice. To avoid these problems, we propose a deterministic PointNetLK method that uses analytical gradients. We also develop several strategies to improve large-volume point cloud processing. We compare our approach to canonical PointNetLK and other state-of-the-art methods and demonstrate how our approach provides accurate, reliable registration with high fidelity. Extended experiments on noisy, sparse, and partial point clouds depict the utility of our approach for many real-world scenarios. Further, the decomposition of the Jacobian matrix affords the reuse of feature embeddings for alternate warp functions.

연구 동기 및 목표

• 비정상 포인트 클라우드에서 딥러닝 기반 3D 정렬 방법의 낮은 일반화 성능을 해결하기 위해.
• 유한차분 기반 기울기 추정의 불안정성, 특히 스텝 사이즈 선택에 민감한 점을 극복하기 위해.
• 강건성과 신뢰성을 향상시키기 위해 분석적 기울기를 사용하는 결정론적 대안을 개발하기 위해.
• 대용량 포인트 클라우드 처리의 효율성과 확장성을 향상시키기 위해.
• 다양한 워프 함수 간에 특징 임bedding을 재사용할 수 있도록 자코비안 행렬 분해를 통해 가능하게 하기 위해.

제안 방법

• 유한차분 기울기 계산을 분석적 기울기로 대체하여 스텝 사이즈 선택에 대한 민감도를 제거한다.
• 백프로파게이션을 통해 네트워크 및 변환 레이어를 거쳐 기울기의 폐쇄형 표현을 유도한다.
• 다양한 워프 함수 간에 특징 임베딩을 재사용할 수 있도록 자코비안 행렬 분해 전략을 도입한다.
• 대규모 포인트 클라우드 처리를 위한 네트워크 아키텍처와 훈련 파이프라인을 최적화한다.
• 분석적 기울기를 반복 정밀화 과정에 통합한 수정된 Lucas-Kanade 최적화 프레임워크를 활용한다.
• 엔드 투 엔드 훈련을 위한 기저점 기반 특징 추출과 미분 가능한 변환 레이어를 사용한다.

실험 결과

연구 질문

• RQ1 분석적 기울기는 3D 포인트 클라우드 정렬에서 PointNetLK의 강건성과 일반화 능력을 향상시킬 수 있는가?
• RQ2 기준 기법들과 비교해 볼 때, 제안된 방법은 비정상적이고 노이즈가 많고 희소하며 부분적인 포인트 클라우드에서 어떻게 성능을 발휘하는가?
• RQ3 자코비안 행렬 분해를 통해 다양한 워프 함수 간에 특징 임베딩을 얼마나 효율적으로 재사용할 수 있는가?
• RQ4 유한차분 기반 PointNetLK에 비해 결정론적 접근이 정렬 정확도와 수렴 안정성 측면에서 뛰어나게 되는가?
• RQ5 성능 저하 없이 대용량 포인트 클라우드에 효과적으로 스케일링될 수 있는가?

주요 결과

• 제안된 결정론적 PointNetLK는 기존의 유한차분 기반 기울기를 사용하는 원본 PointNetLK보다 비정상 포인트 클라우드에서 더 높은 정렬 정확도와 더 나은 일반화 능력을 확보한다.
• 광범위한 실험 평가를 통해 노이즈, 희소성, 부분 포인트 클라우드에 대해 뛰어난 강건성을 입증한다.
• 분석적 기울기는 스텝 사이즈 선택에 대한 민감도를 제거하여 더 안정적이고 신뢰할 수 있는 최적화를 가능하게 한다.
• 자코비안 행렬 분해를 통해 다양한 워프 함수 간에 특징 임베딩을 효율적으로 재사용함으로써 계산 효율성을 향상시킨다.
• 특히 실제 어려운 시나리오에서 벤치마크 데이터셋에서 최첨단 정렬 기법들을 능가하는 성능을 보인다.
• 극도로 악화된 데이터 조건에서도 정확도를 유지함으로써 실용적 유용성을 확인한다.