[논문 리뷰] Geometric Transformer for Fast and Robust Point Cloud Registration

Zheng Qin, Hao Yu외 4명|arXiv (Cornell University)|2022. 02. 14.

3D Shape Modeling and Analysis인용 수 21

한 줄 요약

GeoTransformer는 쌍간 거리(pairwise distances)와 삼중 포인트 각도(triplet-wise angles)를 사용하여 변환-불변의 기하학적 특징을 학습하고, superpoints를 견고하게 매칭하여 RANSAC-없는 빠른 포인트 클라우드 등록을 가능하게 하며 높은 inlier 비율과 재현율을 달성합니다.

ABSTRACT

We study the problem of extracting accurate correspondences for point cloud registration. Recent keypoint-free methods bypass the detection of repeatable keypoints which is difficult in low-overlap scenarios, showing great potential in registration. They seek correspondences over downsampled superpoints, which are then propagated to dense points. Superpoints are matched based on whether their neighboring patches overlap. Such sparse and loose matching requires contextual features capturing the geometric structure of the point clouds. We propose Geometric Transformer to learn geometric feature for robust superpoint matching. It encodes pair-wise distances and triplet-wise angles, making it robust in low-overlap cases and invariant to rigid transformation. The simplistic design attains surprisingly high matching accuracy such that no RANSAC is required in the estimation of alignment transformation, leading to $100$ times acceleration. Our method improves the inlier ratio by $17{\sim}30$ percentage points and the registration recall by over $7$ points on the challenging 3DLoMatch benchmark. Our code and models are available at https://github.com/qinzheng93/GeoTransformer.

연구 동기 및 목표

• 저중첩(low-overlap) 조건에서 특히 포인트 클라우드 등록에서 정확한 대응점의 문제를 해결한다.
• 강건한 superpoint 대응에 의존하는 핵심점 없이 매칭 방식 개발.
• 매칭 신뢰성과 등록 정확도를 향상시키기 위해 변환-불변 기하 표현을 학습한다.

제안 방법

• superpoints를 위한 pairwise distances와 triplet-wise angles를 인코딩하는 Geometric Transformer (GeoTransformer)를 제안한다.
• 변환-불변 구조 임베딩으로 내부 포인트클라우드 기하를 포착하기 위해 기하학적 자기 주의(geometric self-attention)를 구현한다.
• 상호 포인트클라우드 일관성을 모델링하고 견고한 매칭을 위한 하이브리드 특징을 도출하기 위해 크로스 어텐션 모듈을 사용한다.
• 전역 특징 상관관계와 중첩-인식 원(circle) 손실을 통해 고중첩 패치를 강조하여 superpoint 대응을 계산한다.
• 최적 운송(Optimal Transport) 계층과 상호 top-k 선택으로 밀집 포인트 대응으로 정제한다.
• 로컬 후보에 가중된 SVD를 사용하고 글로벌 인라이어 개수를 세어 최종 변환을 선택하는 RANSAC-없는 로컬-투-글로벌 등록(LGR)을 수행한다.

실험 결과

연구 질문

• RQ1 기하학을 의식하는 트랜스포머가 저중첩 시나리오에서 강건한 superpoint 매칭을 위한 변환-불변 특징을 학습할 수 있는가?
• RQ2 핵심점 없이, RANSAC-없는 등록 파이프라인이 실내 및 실외 벤치마크에서 경쟁력 있는 정확도와 속도를 달성하는가?
• RQ3 겹침 인식 손실이 패치 수준 대응의 수렴성 및 매칭 품질에 어떤 영향을 주는가?
• RQ4 전통적 강건 추정기 없이 신뢰할 수 있는 superpoint 매치로부터 밀집 포인트 대응을 어느 정도까지 회복할 수 있는가?

주요 결과

• GeoTransformer는 저중첩 케이스에서 superpoint(패치) 대응의 인라이어 비율을 크게 향상시킨다.
• GeoTransformer로부터의 고품질 superpoint 매칭으로 밀집 포인트 대응의 정확도가 높다.
• 실험에서 RANSAC-없는 등록을 가능하게 하며 계산 시간도 크게 감소한다(예: RANSAC보다 최대 100배 빠름).
• 3DLoMatch에서 baselines에 비해 인라이어 비율 및 등록 재현율이 큰 폭으로 향상된다(예: 17–30 pp 인라이어 비율, >7 pp RR).
• RANSAC 없이 가중 SVD를 사용한 GeoTransformer는 도전적인 데이터셋에서 RANSAC 기반 방법에 근접한 등록 재현율을 달성한다.