[논문 리뷰] GeoTransformer: Fast and Robust Point Cloud Registration with Geometric Transformer

Zheng Qin, Hao Yu외 6명|arXiv (Cornell University)|2023. 07. 25.

3D Surveying and Cultural HeritageEarth and Planetary Sciences인용 수 3

한 줄 요약

GeoTransformer는 초점점 간의 쌍별 거리와 삼중각을 인코딩함으로써 기하학적으로 불변인 트랜스포머 아키텍처를 제안하여, RANSAC을 사용하지 않고도 강력한 포인트 클라우드 정렬을 달성한다. 변환 불변 기하 특징을 활용함으로써 100배 빠른 정렬 속도를 달성하고, 3DLoMatch와 같은 저중첩 벤치마크에서 최신 기술 수준의 성능을 보이며, 내부점 비율을 18–31%p 향상시키고 정렬 재현율을 7점 이상 향상시킨다.

ABSTRACT

We study the problem of extracting accurate correspondences for point cloud registration. Recent keypoint-free methods have shown great potential through bypassing the detection of repeatable keypoints which is difficult to do especially in low-overlap scenarios. 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, or GeoTransformer for short, to learn geometric feature for robust superpoint matching. It encodes pair-wise distances and triplet-wise angles, making it invariant to rigid transformation and robust in low-overlap cases. 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. Extensive experiments on rich benchmarks encompassing indoor, outdoor, synthetic, multiway and non-rigid demonstrate the efficacy of GeoTransformer. Notably, our method improves the inlier ratio by $18{\sim}31$ percentage points and the registration recall by over $7$ points on the challenging 3DLoMatch benchmark. Our code and models are available at \url{https://github.com/qinzheng93/GeoTransformer}.

연구 동기 및 목표

• 낮은 중첩도에서 关键점 검출이 반복성 부족으로 실패하는 상황에서의 포인트 클라우드 정렬 문제를 해결하기 위해.
• 강체 변환에 대해 불변인 기하 구조를 인코딩하여 슈퍼포인트 매칭 정확도를 향상시키기 위해.
• 처음부터 고품질의 내부점 풍부한 대응 관계를 제공함으로써 RANSAC에 의존하지 않고 변환 추정을 수행하기 위해.
• 반복적인 강력 추정 대신 직접적이고 미분 가능한 정렬 단계로 교체함으로써 정렬 속도를 향상시키기 위해.
• 실내, 실외, 합성, 다중 방향, 비정적 환경을 포함한 다양한 벤치마크에서 최신 기술 수준의 성능을 달성하기 위해.

제안 방법

• GeoTransformer는 쌍별 거리와 삼중각에 기반해 모든 다른 슈퍼포인트를 주목하는 자기주의 어텐션 메커니즘을 사용하여 기하학적 불변성을 확보한다.
• 거리 및 각도 특징을 통해 기하 일관성을 인코딩함으로써 표현이 강체 변환에 대해 불변이 되도록 한다.
• 패치 중첩도가 높은 슈퍼포인트 쌍에 집중하기 위해 오버랩 인식 원형 손실이 도입되어 저중첩 환경에서의 강건성을 향상시킨다.
• 고품질의 슈퍼포인트 매칭을 사용해 최적 운반 층을 통해 조밀한 대응 관계를 예측함으로써 RANSAC을 피한다.
• 최종 정렬은 고품질의 조밀한 대응 관계에서 직접 기하학적 불변성과 파arameter-free인 LGR(Low-rank Global Registration) 모듈을 사용해 추정한다.
• 메서드는 굵은 것에서 자세한 것으로의 방식으로 작동한다: 먼저 슈퍼포인트 매칭을 수행한 후 이를 조밀한 점으로 전파한다.

실험 결과

연구 질문

• RQ1 트랜스포머 기반 방법이 저중첩 상황에서 슈퍼포인트 매칭을 향상시키는 데 기하학적으로 불변인 특징을 학습할 수 있는가?
• RQ2 좌표 기반의 위치 임베딩에 의존하지 않고도 기하학적 불변성을 달성할 수 있는가?
• RQ3 고정확도의 슈퍼포인트 매칭이 포인트 클라우드 정렬에서 RANSAC이 필요 없도록 할 수 있는가?
• RQ4 대규모 회전과 최소한의 중첩이 있는 도전적인 벤치마크에서 GeoTransformer는 어떻게 성능을 내는가?
• RQ5 다중 방향 및 비정적 정렬 작업으로 확장 가능할 수 있으며, 강건성과 속도를 유지할 수 있는가?

주요 결과

• 3DLoMatch 벤치마크에서 GeoTransformer는 내부점 비율을 18–31%p 향상시키고 정렬 재현율을 7점 이상 향상시켜 이전 방법들을 크게 능가한다.
• RANSAC을 제거함으로써 100배 빠른 정렬 속도를 달성했으며, 5,000개의 대응 관계에 대해 추론 시간이 0.01초로 단축되었다.
• 3DMatch 벤치마크에서 GeoTransformer는 RTE 5.69 cm, RRE 1.92°를 기록하며 95.7%의 정렬 재현율을 달성했고, PointDSC 및 DHVR를 포함한 모든 베이스라인을 능가했다.
• KITTI 오도메트리 벤치마크에서 99.5%의 정렬 재현율, RTE 6.5 cm, RRE 0.24°를 기록하여 대규모 회전과 실제 환경의 노이즈 상황에서도 강력한 강건성을 입증했다.
• 슈퍼포인트 매칭 모듈의 이중 정규화 연산이 기하학적으로 모호한 패치에서 유사점 매칭을 완화함으로써 저중첩 케이스에서 성능을 약간 향상시켰다.
• LGR에서 5회의 반복을 통한 자세 보정은 정확도가 거의 포화 상태에 도달하며 실시간 배포에 속도와 정밀도의 균형을 이룬다.