[논문 리뷰] Full Transformer Framework for Robust Point Cloud Registration with Deep Information Interaction

Guangyan Chen, Meiling Wang외 3명|arXiv (Cornell University)|2021. 12. 17.

3D Surveying and Cultural Heritage인용 수 4

한 줄 요약

이 논문은 전면 트랜스포머 프레임워크인 딥 인터랙션 트랜스포머(DIT)를 제안한다. DIT는 전역적 구조 모델링, 위치 인코딩을 통한 깊은 정보 상호작용, 기하 일관성 기반 신뢰도 평가를 통해 특징의 분류 능력과 잡음에 대한 강인성을 향상시킨다. DIT는 노이즈가 많은 부분적 포인트 클라우드 간 정렬에서 94.7%의 성공률을 기록하며 최신 기술을 압도한다.

ABSTRACT

Recent Transformer-based methods have achieved advanced performance in point cloud registration by utilizing advantages of the Transformer in order-invariance and modeling dependency to aggregate information. However, they still suffer from indistinct feature extraction, sensitivity to noise, and outliers. The reasons are: (1) the adoption of CNNs fails to model global relations due to their local receptive fields, resulting in extracted features susceptible to noise; (2) the shallow-wide architecture of Transformers and lack of positional encoding lead to indistinct feature extraction due to inefficient information interaction; (3) the omission of geometrical compatibility leads to inaccurate classification between inliers and outliers. To address above limitations, a novel full Transformer network for point cloud registration is proposed, named the Deep Interaction Transformer (DIT), which incorporates: (1) a Point Cloud Structure Extractor (PSE) to model global relations and retrieve structural information with Transformer encoders; (2) a deep-narrow Point Feature Transformer (PFT) to facilitate deep information interaction across two point clouds with positional encoding, such that Transformers can establish comprehensive associations and directly learn relative position between points; (3) a Geometric Matching-based Correspondence Confidence Evaluation (GMCCE) method to measure spatial consistency and estimate inlier confidence by designing the triangulated descriptor. Extensive experiments on clean, noisy, partially overlapping point cloud registration demonstrate that our method outperforms state-of-the-art methods.

연구 동기 및 목표

• 기존 트랜스포머 기반 방법의 한계를 해결하기 위해, 즉 노이즈에 대한 강인성 부족, 특징 추출의 모호성, 정확도가 떨어지는 잡음 제거.
• 지역적 특징 추출에 컨볼루션 신경망(CNN)에 의존함으로써 전역적 맥락 모델링이 제한되고 노이즈에 더 민감해지는 문제를 해결하기 위해.
• 위치 인코딩을 통한 상대적 위치 학습을 가능하게 함으로써 깊이 있고 좁은 트랜스포머 아키텍처를 통해 특징의 분류 능력과 강인성을 향상시키기 위해.
• 삼각형 기반 기하 일관성 측정을 통해 신뢰도 평가를 통합함으로써 내측점과 외측점 분류 정확도를 향상시키기 위해.
• 구조 모델링, 깊은 특징 상호작용, 기하 일관성 기반 매칭을 통합한 체계적인 전면 트랜스포머 프레임워크를 개발하여 우수한 정렬 성능을 달성하기 위해.

제안 방법

• 포인트 클라우드 구조 추출기(PSE)는 트랜스포머 인코더를 사용해 전체 포인트 클라우드의 장거리 의존성을 모델링하고, 구조적 특징 추출을 강화하기 위해 국소적 특징 통합기(LFI)를 통합한다.
• 포인트 특징 트랜스포머(PFT)는 깊이 있고 좁은 아키텍처를 채택하고, 전용 위치 인코딩 네트워크를 통해 점 간 상대적 공간 위치를 학습할 수 있도록 하여 포인트 간 포괄적인 정보 상호작용을 가능하게 한다.
• 기하 일관성 기반의 대응 관계 신뢰도 평가(GMCCE) 방법을 신규로 도입하여, 회전 불변성 있는 삼각형 기반 디스크립터를 사용해 공간 일관성을 측정하고 내측점의 신뢰도를 추정한다.
• PSE와 PFT 모듈을 함께 훈련시켜 전역적 구조적 맥락과 세밀한 상대적 위치 정보를 통합함으로써 강인하고 분류 능력이 뛰어난 특징을 추출한다.
• 전체 DIT 프레임워크는 PSE, PFT, GMCCE를 종속적으로 통합하여 엔드 투 엔드로 훈련 가능한 시스템으로 구성되며, 특징 표현과 정렬 정확도를 향상시킨다.
• 모델은 ModelNet40에서 광범위한 추론 분석을 통해 각 구성 요소의 강인성 및 정확도 기여도를 검증하기 위해 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 깊이 있고 효과적인 정보 상호작용을 가능하게 함으로써, 하이브리드 CNN-Transformer 모델보다 전면 트랜스포머 아키텍처가 포인트 클라우드 정렬에서 더 우수한 성능을 낼 수 있는가?
• RQ2 깊이 있고 좁은 트랜스포머 아키텍처에 위치 인코딩을 통합함으로써, 포인트 클라우드 정렬에서 특징의 분류 능력과 노이즈에 대한 강인성이 어떻게 향상되는가?
• RQ3 삼각형 기반 디스크립터로 측정한 기하 일관성은 얼마나 효과적으로 내측점의 신뢰도 추정과 외측점 제거를 향상시키는가?
• RQ4 전용 구조 추출기로 전역적 관계를 모델링함으로써, 부분적 오버랩과 높은 노이즈 수준을 가진 포인트 클라우드에서의 강인성이 향상되는가?
• RQ5 PSE, PFT, GMCCE의 각각의 기여도는 도전적인 환경에서 전체 정렬 정확도와 성공률에 어떤 영향을 미치는가?

주요 결과

• DIT는 노이즈가 많은 부분적 포인트 클라우드 간 정렬에서 94.7%의 성공률을 기록하며, 모든 기준 모델을 크게 능가한다.
• 추론 분석 결과, PSE 모듈을 제거할 경우 성공률이 1.2%로 급격히 감소하여, 전역적 구조 모델링과 노이즈 강인성 확보에 있어 핵심적인 역할을 한다는 점을 입증한다.
• 위치 인코딩 네트워크를 제거할 경우 성공률이 39.4% 감소하여, 상대적 공간 위치 학습에 있어 그 중요성이 확인된다.
• GMCCE 모듈을 제거할 경우 정확도가 40–74% 감소하여, 기하 일관성 기반으로 내측점과 외측점을 효과적으로 구분함으로써 유의미한 성능 향상을 이룬다는 점을 입증한다.
• 깊이 있고 좁은 PFT 아키텍처는 얕고 넓은 변종 대비 성능을 55–80% 향상시키며, 더 깊은 정보 상호작용의 이점을 입증한다.
• 가장 도전적인 노이즈가 많은 부분적 포인트 클라우드 간 정렬 설정에서, DIT는 회전과 이동 모두 98%의 성공률을 기록하여 RGM(94%)과 모든 다른 방법(≤80%)을 능가한다.