[논문 리뷰] PCRNet: Point Cloud Registration Network using PointNet Encoding

Vinit Sarode, Xue-Qian Li외 5명|arXiv (Cornell University)|2019. 08. 21.

3D Shape Modeling and Analysis참고 문헌 40인용 수 56

한 줄 요약

PCRNet은 시암 네트워크 기반의 PointNet 인코딩을 사용하여 포인트 클라우드 등록을 위한 강체 변환을 직접 추정하며, 더 높은 정확도를 위한 반복 버전이 있다; 노이즈 강인성 및 속도 면에서 여러 베이스라인보다 우수하다.

ABSTRACT

PointNet has recently emerged as a popular representation for unstructured point cloud data, allowing application of deep learning to tasks such as object detection, segmentation and shape completion. However, recent works in literature have shown the sensitivity of the PointNet representation to pose misalignment. This paper presents a novel framework that uses the PointNet representation to align point clouds and perform registration for applications such as tracking, 3D reconstruction and pose estimation. We develop a framework that compares PointNet features of template and source point clouds to find the transformation that aligns them accurately. Depending on the prior information about the shape of the object formed by the point clouds, our framework can produce approaches that are shape specific or general to unseen shapes. The shape specific approach uses a Siamese architecture with fully connected (FC) layers and is robust to noise and initial misalignment in data. We perform extensive simulation and real-world experiments to validate the efficacy of our approach and compare the performance with state-of-art approaches.

연구 동기 및 목표

• Misalignment와 노이즈 하에서 PointNet 표현을 사용한 비정형 포인트 클라우드의 등록 동기화.
• unseen한 형태에 대해 형태 특정 혹은 일반적인 등록 프레임워크를 개발.
• SE(3) 변환을 추정하는 단일 샷 및 반복적인 PCRNet 아키텍처를 제안.
• ICP, Go-ICP, 및 PointNetLK와 같은 베이스라인 대비 견고성, 속도 및 정확도 평가.
• 실제 데이터에의 적용 가능성과 다운스트림 작업과의 잠재적 통합을 보이고자 함.

제안 방법

• 소스 포인트 클라우드와 템플릿 포인트 클라우드를 인코딩하기 위해 시암(PointNet) 네트워크(A five MLP layers: 64-64-64-128-1024) 사용.
• 대칭 최대 풀링을 통해 전역 특징을 계산하고 이를 연결(concatenate)한 뒤 다섯 개의 완전 연결층(FC)을 지나 7D 변환(이동 벡터 t ∈ R3 및 단위 사원수 q ∈ R4) 회귀.
• 손실로 변환된 소스와 템플릿 간의 Earth Mover Distance(EMD) 사용.
• 연속 추정 T(i)를 적용하여 정렬을 정교화하는 반복형 PCRNet 버전을 제공하며, 최종 포즈를 위해 T(n)...T(1)을 결합.
• 기본 모델(ICP, Go-ICP, PointNetLK)과 비교하고 물체 특이성 및 노이즈에 따라 성능을 분석.
• 다양한 데이터 규칙(다수 카테고리/모델, 단일 카테고리 등)으로 ModelNet40에서 학습.

실험 결과

연구 질문

• RQ1 PointNet 기반 인코딩이 명시적 대응이 없어도 두 개의 순서가 매겨지지 않은 포인트 클라우드를 정확하게 등록하게 할 수 있는가?
• RQ2 형태 특이성(카테고리/모델 지식)이 등록 정확도와 노이즈에 대한 견고성에 어떤 영향을 미치는가?
• RQ3 단일 샷과 반복형 PCRNet의 속도와 정확도 사이의 트레이드오프는 무엇인가?
• RQ4 합성 및 실제 데이터에서 PCRNet이 기존 베이스라인(ICP, Go-ICP, PointNetLK)과 비교하여 어떤가?
• RQ5 가우시안 노이즈에 대한 강인성과 보지 않은 카테고리로의 일반화 성격은?

주요 결과

알고리즘	회전 오차 평균(도)	회전 오차 표준편차(도)	변위 오차 평균	변위 오차 표준편차	소요 시간(ms)	AUC 평균	AUC 표준편차
PCRNet	8.82	4.82	0.0077	0.0008	1.89	0.9544
Iterative PCRNet	1.03	2.56	0.0085	0.0024	146	0.9943
PointNetLK [2]	51.80	29.63	0.8783	0.0054	234	0.7059
ICP [6]	11.87	31.87	0.0282	0.0392	407	0.9321
Go-ICP [37]	0.45	0.19	0.0016	0.0007	2.7e5	1.0000

• 반복형 PCRNet은 높은 등록 정확도에 도달하여 Go-ICP에 근접하지만 훨씬 빠름.
• 단일 샷 PCRNet은 반복형에 비해 빠르지만 정확도는 다소 낮고, 두 버전 모두 소음이 심한 조건에서 PointNetLK보다 크게 우수함.
• 객체 특이 데이터로 학습된 반복형 PCRNet은 학습에 일부 표현이 포함될 때 보지 못한 카테고리에서도 강력한 성능을 보임.
• PCRNet은 노이즈와 정렬 불일치에 대해 견고하며 많은 시나리오에서 ICP를 능가하고 실시간 가능한 등록을 제공.
• Go-ICP는 가장 높은 AUC(1.0)를 달성하지만 계산 비용이 매우 높으며, 반복형 PCRNet은 훨씬 낮은 런타임으로 경쟁력 있는 정확도를 제공.