[논문 리뷰] Feature-metric Registration: A Fast Semi-supervised Approach for Robust Point Cloud Registration without Correspondences

Xiaoshui Huang, Guofeng Mei외 1명|arXiv (Cornell University)|2020. 05. 03.

3D Shape Modeling and Analysis참고 문헌 26인용 수 16

한 줄 요약

이 논문은 대응 검색 없이 특징-거리 투영 오차를 최소화하여 강력한 포인트 클라우드 정렬을 달성하는 빠르고 준수된 특징-거리 정렬 프레임워크를 제안한다. 이 방법은 비지도 대비 기반의 특징 인코더와 특징-거리 정렬 브랜치를 갖춘 이중 브랜치 네트워크를 사용하며, 정확도, 노이즈 및 밀도 변화에 대한 강건성, 속도 면에서 최신 기술을 능가한다. 이는 LM-ICP보다 8배 빠르고 PointNetLK보다 2배 빠른 추론 속도를 달성한다.

ABSTRACT

We present a fast feature-metric point cloud registration framework, which enforces the optimisation of registration by minimising a feature-metric projection error without correspondences. The advantage of the feature-metric projection error is robust to noise, outliers and density difference in contrast to the geometric projection error. Besides, minimising the feature-metric projection error does not need to search the correspondences so that the optimisation speed is fast. The principle behind the proposed method is that the feature difference is smallest if point clouds are aligned very well. We train the proposed method in a semi-supervised or unsupervised approach, which requires limited or no registration label data. Experiments demonstrate our method obtains higher accuracy and robustness than the state-of-the-art methods. Besides, experimental results show that the proposed method can handle significant noise and density difference, and solve both same-source and cross-source point cloud registration.

연구 동기 및 목표

• 노이즈, 이방성, 밀도 변화에 민감한 대응 기반 기하 정렬 기술의 한계를 해결한다.
• 최적화 속도를 높이기 위해 명시적인 대응 검색을 회피하는 정렬 프레임워크를 개발한다.
• 비지도 또는 준지도 학습을 통해 레이블이 제한되거나 없는 정렬 데이터로도 효과적인 훈련을 가능하게 한다.
• 부분적 겹침, 다양한 소스 데이터, 희소한 실외 LiDAR 스캔과 같은 도전적인 상황에서의 강건성과 정확도를 향상시킨다.

제안 방법

• 기하 투영 오차보다 노이즈와 이방성에 더 강건한 특징-거리 투영 오차를 최적화 목표로 제안한다.
• 공간적 변환에 대해 특징 불변성을 강제함으로써 특징 인코더를 사전 훈련하는 비지도 대비 브랜치를 설계한다.
• 두 포인트 클라우드 간의 특징 차이를 최소화함으로써 변환 행렬을 추정하는 다중 작업 정렬 브랜치를 구현한다.
• 최소한의 또는 전혀 정답 정렬 레이블이 필요로 하는 준지도 또는 비지도 방식으로 전체 네트워크를 훈련시킨다.
• 원시 포인트 클라우드에서 구별 가능한 특징을 추출할 수 있는 학습 가능한 특징 인코더를 사용하여 대응 없음 정렬을 가능하게 한다.
• 엔드 투 엔드 백프로파게이션을 통해 특징-거리 손실을 최적화함으로써 다섯 번 이내에 빠른 수렴을 달성한다.

실험 결과

연구 질문

• RQ1 노이즈와 이방성이 존재하는 상황에서 전통적인 기하 투영 오차에 비해 특징-거리 손실 함수가 정렬의 강건성을 향상시킬 수 있는가?
• RQ2 준지도 또는 비지도 훈련 프레임워크는 비용이 많이 드는 3차원 정렬 레이블에 대한 의존도를 어느 정도 줄일 수 있는가?
• RQ3 명시적인 대응 검색 없이도 제안된 방법이 높은 정확도와 속도를 달성할 수 있는가?
• RQ4 이 방법은 부분적 겹침, 다양한 소스 데이터, 희소한 실외 LiDAR 스캔에 대해 얼마나 잘 일반화되는가?

주요 결과

• 제안된 방법은 7Scenes 데이터셋에서 회전 오차 0.004°, 이동 오차 0.002를 기록하여 LM-ICP(12.7°, 0.96)와 PointNetLK(15.3°, 0.92)를 크게 능가한다.
• 약 12,000개 포인트를 가진 포인트 클라우드에서 1.3초 내에 실행되며, LM-ICP(10.8초)보다 8배 빠르고, 3DSmoothNet(9.6초)보다 7배 빠르며, PointNetLK(2.4초)보다 2배 빠르다.
• 비지도 대비 브랜치는 특징 품질을 향상시켜 레이블이 전혀 없는 상황에서도 높은 정렬 정확도를 달성할 수 있게 한다.
• 메트릭스가 크게 다른 데이터 소스(예: Kinect와 RGB-D)의 포인트 클라우드를 성공적으로 처리하여 밀도 및 강도 차이에 대한 강건성을 입증한다.
• KITTI의 희소한 실외 LiDAR 시퀀스에서 제안된 방법은 최신 기술 기반 방법들보다 빛나는 시각적 정렬 결과를 생성한다.
• 절단 실험 결과, 부분적 겹침에 대해 LM-ICP, 3DSmoothNet, PointNetLK보다 유의미하게 높은 정확도를 확보함을 확인했다.