[논문 리뷰] Leveraging Inlier Correspondences Proportion for Point Cloud Registration

Lifa Zhu, Haining Guan외 2명|arXiv (Cornell University)|2022. 01. 28.

3D Shape Modeling and Analysis인용 수 7

한 줄 요약

이 논문은 기하학적 지침을 통한 일致성 네트워크인 GCNet을 제안하며, 피라미드 계층 구조 디코더, 일치 투표, 기하학적 지침 인코딩 모듈을 통해 정상 대응 비율을 높여 점군 정렬 성능을 향상시킵니다. 이 방법은 최신 기술 수준의 성능을 달성하여 3DMatch와 3DLoMatch에서 각각 92.9% 및 71.9%의 정렬 재현율을 기록하며, 다른 네트워크로도 이식 가능한 모델 무관 개선 효과를 제공합니다.

ABSTRACT

In feature-learning based point cloud registration, the correct correspondence construction is vital for the subsequent transformation estimation. However, it is still a challenge to extract discriminative features from point cloud, especially when the input is partial and composed by indistinguishable surfaces (planes, smooth surfaces, etc.). As a result, the proportion of inlier correspondences that precisely match points between two unaligned point clouds is beyond satisfaction. Motivated by this, we devise several techniques to promote feature-learning based point cloud registration performance by leveraging inlier correspondences proportion: a pyramid hierarchy decoder to characterize point features in multiple scales, a consistent voting strategy to maintain consistent correspondences and a geometry guided encoding module to take geometric characteristics into consideration. Based on the above techniques, We build our Geometry-guided Consistent Network (GCNet), and challenge GCNet by indoor, outdoor and object-centric synthetic datasets. Comprehensive experiments demonstrate that GCNet outperforms the state-of-the-art methods and the techniques used in GCNet is model-agnostic, which could be easily migrated to other feature-based deep learning or traditional registration methods, and dramatically improve the performance. The code is available at https://github.com/zhulf0804/NgeNet.

연구 동기 및 목표

• 특징 기반 점군 정렬에서 낮은 정상 대응 재현율 문제, 특히 부분적 및 매끄러운 표면 조건에서의 도전에 대응하기 위해.
• 정상 대응의 비율을 높임으로써 딥 러닝 기반 정렬의 강건성과 정확도를 향상시키기 위해.
• 기존의 특징 기반 또는 전통적 정렬 파이프라인에 쉽게 통합할 수 있는 모델 무관 기법을 개발하기 위해.
• 다중 척도 및 기하학적 특징을 효과적으로 활용하여 대응 매칭을 향상시키는 통합 네트워크 아키텍처를 설계하기 위해.

제안 방법

• 다중 척도 점 특징을 추출하기 위해 피라미드 계층 구조 디코더를 사용하여 다양한 수용 영역에서의 표현력을 향상시킵니다.
• 다중 특징 척도 간 일관성을 강제하여 가짜 대응을 걸러내는 일관성 있는 투표 전략을 도입합니다.
• 지역 기하학적 구조(예: 법선, 곡률)를 특징 학습에 통합함으로써 분류 능력을 향상시키는 기하학적 지침 인코딩 모듈을 제안합니다.
• 에코더-디코더 설계와 정상 비율 최적화를 결합한 네트워크 아키텍처를 통해 강건한 변환 추정이 가능합니다.
• 모듈러리티와 이식 가능성을 고려하여 다른 딥 러닝 또는 전통적 정렬 방법에 쉽게 통합할 수 있도록 프레임워크를 설계했습니다.
• 특징 공간 내 최근접 이웃 검색과 RANSAC을 사용하여 강건한 자세 추정을 수행하며, 개선된 대응 품질로 성능이 향상됩니다.

실험 결과

연구 질문

• RQ1 정상 대응의 비율을 향상시키는 것이 특징 기반 점군 정렬의 정확도와 강건성에 상당한 영향을 미칠 수 있는가?
• RQ2 기하학적 사전 지식을 어떻게 효과적으로 딥 러닝 특징 학습에 통합하여 대응 품질을 향상시킬 수 있는가?
• RQ3 다중 척도 특징 간 일관성 있는 투표 메커니즘이 대응 매칭에서 가짜 양성 결과를 줄일 수 있는가?
• RQ4 제안된 기법들이 다양한 데이터셋과 네트워크 아키텍처 간에 얼마나 일반화 가능한가?
• RQ5 기하학적 지능 특징과 투표 메커니즘의 통합이 정렬 재현율 및 오차 지표에서 측정 가능한 향상 효과를 가져오는가?

주요 결과

• GCNet은 3DMatch 데이터셋에서 92.9%의 정렬 재현율을 기록하여 이전 방법들을 크게 능가합니다.
• 더 도전적인 3DLoMatch 벤치마크에서 GCNet은 71.9%의 정렬 재현율을 달성하여 저중첩 조건에서도 뛰어난 성능을 보입니다.
• KITTI 오도메트리 데이터셋에서 GCNet은 최고의 상대적 이동 오차(6.1 cm)를 기록하며 99.8%의 정렬 재현율을 유지합니다.
• MVP-RG 합성 객체 중심 벤치마크에서 GCNet은 가장 낮은 회전 오차(7.99°), 이동 오차(0.048), RMSE(0.093)를 기록하여 최신 엔드 투 엔드 방법을 초월합니다.
• 제안된 기법은 모델에 무관하며 기존 네트워크에 원활하게 통합되어 유의미한 추론 시간 오버헤드 없이 성능 향상을 이룹니다.
• 절단 실험을 통해 일관성 있는 투표와 기하학적 지침 인코딩 모듈이 정상 비율과 전체 정렬 정확도에 상당한 기여를 한다고 확인되었습니다.