[논문 리뷰] Iterative Distance-Aware Similarity Matrix Convolution with Mutual-Supervised Point Elimination for Efficient Point Cloud Registration

Jiahao Li, Changhao Zhang외 3명|arXiv (Cornell University)|2019. 10. 23.

3D Shape Modeling and Analysis참고 문헌 17인용 수 12

한 줄 요약

이 논문은 거리 인식 유사도 행렬 컨벌루션을 사용하여 기하학적 및 공간적 특징을 함께 모델링하여 강력한 대응 매칭을 위한 학습 가능한 파이프라인 IDAM을 제안한다. 또한 두 단계의 포인트 제거 전략과 상호 보조 학습 손실을 통해 키포인트 애너테이션 없이 엔드 투 엔드 학습이 가능한 방법이다. 이 방법은 정확도와 속도 면에서 최신 기술을 초월하며, 특히 큰 포인트 클라우드에서 뛰어난 성능을 발휘한다. 노이즈가 있는 데이터와 부분적으로 겹치는 데이터에서도 기존의 학습 기반 및 전통적인 방법들을 능가한다.

ABSTRACT

In this paper, we propose a novel learning-based pipeline for partially overlapping 3D point cloud registration. The proposed model includes an iterative distance-aware similarity matrix convolution module to incorporate information from both the feature and Euclidean space into the pairwise point matching process. These convolution layers learn to match points based on joint information of the entire geometric features and Euclidean offset for each point pair, overcoming the disadvantage of matching by simply taking the inner product of feature vectors. Furthermore, a two-stage learnable point elimination technique is presented to improve computational efficiency and reduce false positive correspondence pairs. A novel mutual-supervision loss is proposed to train the model without extra annotations of keypoints. The pipeline can be easily integrated with both traditional (e.g. FPFH) and learning-based features. Experiments on partially overlapping and noisy point cloud registration show that our method outperforms the current state-of-the-art, while being more computationally efficient. Code is publicly available at https://github.com/jiahaowork/idam.

연구 동기 및 목표

• 큰 변형과 부분적 겹침을 다루는 데 어려움을 겪는 전통적인 ICP 및 RANSAC 기반 방법의 한계를 해결한다.
• 학습 기반 정합에서 단순한 특징 내적곱이 초래하는 낮은 대응 매칭 정확도 문제를 해결한다.
• 거짓 긍정 및 불필요한 계산을 줄여 전역 정합에서의 계산 효율성을 향상시킨다.
• 새로운 상호 보조 학습 손실을 통해 지도 없는 키포인트 대응 애너테이션을 요구하지 않고 엔드 투 엔드 학습이 가능하도록 한다.
• 기존의 전통적(예: FPFH) 및 딥러닝 기반(예: GNN) 특징과 모두 호환되는 유연한 파이프라인을 설계한다.

제안 방법

• 포인트 쌍의 연결된 특징과 유클리드 오프셋을 사용하여 쌍별 유사도 점수를 학습하는 거리 인식 유사도 행렬 컨벌루션 모듈을 도입한다.
• 두 단계의 포인트 제거 전략을 적용한다: 첫 번째로, 낮은 신뢰도를 가진 개별 포인트를 하드하게 제거하고, 두 번째로, 거짓 긍정 대응 쌍의 가중치를 낮춘다.
• 소스 및 타겟 포인트 클라우드 간의 상호 일관성을 활용하여 지도 없는 키포인트 애너테이션 없이도 엔드 투 엔드 학습이 가능한 상호 보조 학습 손실을 설계한다.
• FPFH와 GNN 기반 특징 모두에 IDAM 파이프라인을 통합하여 기존 특징 추출 방법과의 호환성을 확보한다.
• 각 단계에서 대응 관계와 변환 추정치를 업데이트함으로써 점진적으로 정확도를 향상시키는 반복적 정밀 조정을 사용한다.
• 전역 기하학적 및 공간적 맥락을 집계하는 학습 가능한 유사도 행렬을 활용하여 국소 특징 매칭만으로는 확보하기 어려운 매칭의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 기하학적 특징과 유클리드 거리를 함께 모델링하면 3D 포인트 클라우드 정합에서 대응 매칭 정확도가 향상되는가?
• RQ2 정확도를 희생시키지 않고 학습 기반 전역 정합에서 계산 효율성을 어떻게 향상시킬 수 있는가?
• RQ3 두 단계의 포인트 제거 메커니즘이 거짓 긍정을 효과적으로 줄이면서도 높은 성능을 유지할 수 있는가?
• RQ4 자기 지도 학습 손실을 사용하여 키포인트 애너테이션 없이도 정합 네트워크를 엔드 투 엔드로 학습시킬 수 있는가?
• RQ5 노이즈 수준과 겹침 정도가 다양한 조건에서 제안된 방법이 최신 기술 대비 정확도와 속도 면에서 어떻게 비교되는가?

주요 결과

• GNN 특징을 사용한 IDAM은 가우시안 노이즈가 있는 ModelNet40에서 자세 오차(RMSE)가 3.72, 이동 오차(RMSE)가 0.023으로 가장 낮게 기록되어 DCP, PRNet, FPFH+RANSAC를 모두 능가한다.
• FPFH 특징을 사용한 IDAM은 FGR 및 RANSAC 대비 2배에서 5배 빠르며, 대용량 포인트 클라우드에서 다른 딥러닝 방법들보다 훨씬 빠르면서도 정확도 경쟁력은 유지한다.
• 절단 실험 결과, 유사도 행렬 컨벌루션을 추가하기만 해도 기준값(RMSE) 7.77에서 5.08로 감소하고, 전체 IDAM 파이프라인을 적용하면 RMSE가 3.42로 추가로 감소한다.
• 하이브리드 포인트 제거(HB) 구성 요소가 성능 향상에 가장 기여하며, RMSE(𝑅)는 4.31에서 3.42로 감소하고, MAE(𝑡)는 0.019에서 0.005로 감소한다.
• IDAM은 노이즈와 부분적 겹침에 대해 강력한 내성성을 유지하며, ModelNet40의 미사용 카테고리에서도 일관된 성능을 보인다.
• 스케일에 따른 계산 효율성도 뛰어나다: 4096개 포인트에서 IDAM+GNN는 프레임당 0.041초에 실행되며, DCP(0.084 s), PRNet(0.312 s)를 능가하고 RANSAC(0.685 s)보다도 훨씬 빠르다.