[논문 리뷰] GraphFit: Learning Multi-scale Graph-Convolutional Representation for Point Cloud Normal Estimation

Keqiang Li, Mingyang Zhao외 5명|arXiv (Cornell University)|2022. 07. 23.

3D Shape Modeling and Analysis인용 수 4

한 줄 요약

GraphFit는 국소적 이웃 구조의 기하학적 특성을 학습 가능한 그래프 구조로 모델링함으로써 노이즈, 아웃라이어, 다양한 포인트 밀도에 대해 강건하고 정확한 3D 포인트 클러스터의 법선 추정을 위한 새로운 그래프 컨volution 신경망을 제안한다. 다중 척도 특징과 주의 기반 적응 모듈을 통합하여 성능을 향상시켜 PCPNet 및 NYU Depth V2를 포함한 벤치마크 데이터셋에서 최신 기술 수준(SOTA)을 달성한다.

ABSTRACT

We propose a precise and efficient normal estimation method that can deal with noise and nonuniform density for unstructured 3D point clouds. Unlike existing approaches that directly take patches and ignore the local neighborhood relationships, which make them susceptible to challenging regions such as sharp edges, we propose to learn graph convolutional feature representation for normal estimation, which emphasizes more local neighborhood geometry and effectively encodes intrinsic relationships. Additionally, we design a novel adaptive module based on the attention mechanism to integrate point features with their neighboring features, hence further enhancing the robustness of the proposed normal estimator against point density variations. To make it more distinguishable, we introduce a multi-scale architecture in the graph block to learn richer geometric features. Our method outperforms competitors with the state-of-the-art accuracy on various benchmark datasets, and is quite robust against noise, outliers, as well as the density variations.

연구 동기 및 목표

• 포인트 클러스터 패치에서 국소적 이웃 관계를 忽시하는 기존 법선 추정 방법의 한계를 해결하기 위해.
• 3D 포인트 클러스터에서 노이즈, 아웃라이어, 비균일한 포인트 밀도에 대한 강건성을 향상시키기 위해.
• 그래프 컨볼루션을 통해 이웃 포인트 간 기하학적 관계를 명시적으로 모델링함으로써 특징 표현을 향상시키기 위해.
• 합성 및 실제 세계 포인트 클러스터 데이터셋에서 최신 기술 수준의 정확성과 안정성을 달성하기 위해.

제안 방법

• 각 포인트에 대해 k-가장 가까운 이웃을 사용하여 국소 그래프를 구성함으로써 이웃 영역 내 기하학적 관계를 인코딩한다.
• 다양한 수신 영역에서의 표현을 융합함으로써 다중 척도 특징을 학습하는 그래프 컨volution 블록을 적용한다.
• 포인트 특징과 이웃 특징을 동적으로 융합함으로써 밀도 변화에 대한 강건성을 향상시키는 주의 기반 적응 모듈을 활용한다.
• 특징 공간에서 두 가지 다른 척도의 국소 특징을 집계하는 다중 척도 표현 모듈을 사용하여 기하학적 표현력을 향상시킨다.
• 예측된 법선과 진짜 법선 간의 각도 차이를 최소화하는 손실 함수를 사용하여, 전체 네트워크를 엔드 투 엔드로 훈련시켜 포인트 법선을 회귀한다.
• 아키텍처는 효율성과 일반화 능력을 고려하여 설계되었으며, 아블레이션 스터디를 통해 각 구성 요소의 기여도를 검증하였다.

실험 결과

연구 질문

• RQ1 기하학적 관계를 忽시하는 패치 기반 방법과 비교해, 3D 포인트 클러스터에서 국소적 이웃 관계를 모델링함으로써 법선 추정 정확도를 크게 향상시킬 수 있는가?
• RQ2 주의 기반 적응 모듈은 비균일한 포인트 밀도에 대한 법선 추정의 강건성을 어떻게 향상시키는가?
• RQ3 다중 척도 그래프 컨볼루션 아키텍처는 노이즈가 많거나 희박한 포인트 클러스터에서 특징 표현과 일반화 능력을 얼마나 향상시키는가?
• RQ4 다양한 벤치마크에서 최신 기술 수준(SOTA) 방법과 비교해, 제안된 방법은 정확성과 강건성 측면에서 어떻게 성능을 내는가?
• RQ5 실제 스캔 데이터, 예를 들어 노이즈와 밀도 변동이 빈번한 NYU Depth V2와 같은 데이터에서 높은 성능을 유지하는가?

주요 결과

• PCPNet 데이터셋에서 다양한 노이즈 수준과 포인트 밀도 조건 하에 GraphFit는 최신 기술 수준의 평균 RMSE 10.34를 달성하여 AdaFit 및 DeepFit와 같은 경쟁자들을 능가한다.
• 이웃 수 변화에 대해 매우 강건하며, k=256, 500, 700일 때 평균 RMSE가 모두 약 10.50로 안정적으로 유지된다.
• 아블레이션 스터디 결과, 다중 척도 모듈은 단일 척도 기반 베이스라인 대비 최대 0.24점의 RMSE 감소를 보이며, 특징 풍부화의 효과를 입증한다.
• 주의 기반 적응 모듈은 도금 무늬나 기울기 변화가 심한 포인트 클러스터에서 최대 0.35점의 오차 감소를 기록하여, 밀도 변화에 대한 대처 능력이 뛰어나다는 것을 입증한다.
• 실제 스캔 데이터인 NYU Depth V2에서도 뛰어난 성능을 유지하여, 합성 벤치마크를 넘어서 실용적 활용 가능성을 보여준다.
• Jet 차수를 1에서 4로 증가시킬 경우 PCPNet에서 RMSE가 10.92에서 10.44로 향상되어 고차수 표면 피팅을 통한 기하학적 모델링 능력 향상을 입증한다.