[논문 리뷰] Point Cloud Registration using Representative Overlapping Points

Lifa Zhu, Dongrui Liu외 5명|arXiv (Cornell University)|2021. 07. 06.

3D Shape Modeling and Analysis참고 문헌 46인용 수 23

한 줄 요약

ROPNet는 컨텍스트 가이드 모듈과 트랜스포머 기반 특징 매칭 제거(TFMR) 모듈을 통해 대표적인 겹치는 점을 식별하여 부분-부분(point cloud) 정렬 문제를 부분-완전 정렬로 변환하는 딥러닝 방법을 제안한다. 이는 노이즈가 있는 부분적으로 겹치는 ModelNet40 데이터에서 $ ext{Error}(R)$가 1.1566이고 $ ext{Error}(t)$가 0.0137인 최신 기술 수준(SOTA) 성능을 달성한다.

ABSTRACT

3D point cloud registration is a fundamental task in robotics and computer vision. Recently, many learning-based point cloud registration methods based on correspondences have emerged. However, these methods heavily rely on such correspondences and meet great challenges with partial overlap. In this paper, we propose ROPNet, a new deep learning model using Representative Overlapping Points with discriminative features for registration that transforms partial-to-partial registration into partial-to-complete registration. Specifically, we propose a context-guided module which uses an encoder to extract global features for predicting point overlap score. To better find representative overlapping points, we use the extracted global features for coarse alignment. Then, we introduce a Transformer to enrich point features and remove non-representative points based on point overlap score and feature matching. A similarity matrix is built in a partial-to-complete mode, and finally, weighted SVD is adopted to estimate a transformation matrix. Extensive experiments over ModelNet40 using noisy and partially overlapping point clouds show that the proposed method outperforms traditional and learning-based methods, achieving state-of-the-art performance. The code is available at https://github.com/zhulf0804/ROPNet.

연구 동기 및 목표

• 노이즈와 완전하지 않은 겹침 상황에서 발생하는 부분-부분 점군 정렬 문제를 해결하기 위해.
• 기존의 학습 기반 방법에서 비겹치는 점이나 노이즈로 인한 잘못된 대응관계를 줄이기 위해.
• 대표적인 겹치는 점 선택을 통해 부분-부분 정렬을 부분-완전 정렬로 변환함으로써 정렬 정확도를 향상시키기 위해.
• 예상치 못한 형태 유형과 노이즈 데이터에 대한 강건성과 일반화 능력을 향상시키기 위해.

제안 방법

• 컨텍스트 가이드(CG) 모듈은 인코더 네트워크에서 얻은 전역 특징을 사용하여 점의 겹침 점수를 예측하고 굵은 초기 정렬을 수행한다.
• CG 모듈은 소스 및 타겟 점군 특징 간 상호정보와 전역 컨텍스트를 활용하여 초기 강체 변환을 추정한다.
• 트랜스포머 기반 특징 매칭 제거(TFMR) 모듈은 점 특징을 풍부하게 하고 부분-완전 방식에서 유사도 행렬을 계산한다.
• TFMR 모듈은 겹침 점수와 특징 매칭을 이용해 비대표적인 점을 제거하고 높은 신뢰도를 가진 대응관계만 유지한다.
• 정제된 대응 집합에 가중치가 부여된 SVD를 적용하여 최종 변환 행렬 $T \in SE(3)$를 추정한다.
• CG 모듈과 TFMR 모듈의 변환을 통합하여 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 부분-부분 정렬 정확도 향상에 있어 대표적인 겹치는 점을 효과적으로 식별할 수 있는가?
• RQ2 비겹치는 점과 노이즈가 있는 점을 체계적으로 제거하여 잘못된 대응관계를 줄일 수 있는가?
• RQ3 부분-부분 정렬을 부분-완전 정렬로 변환하면 성능 향상에 기여하는가?
• RQ4 전역 컨텍스트와 국소적 특징 정밀화의 통합이 노이즈와 형태 변화에 대한 강건성을 향상시키는가?

주요 결과

• ROPNet는 AO 데이터에서 $ ext{Error}(R)$가 1.1566이고 $ ext{Error}(t)$가 0.0137로, 비교된 모든 방법보다 낮은 오차를 기록하여 최고 성능을 달성한다.
• TO 데이터에서 ROPNet는 $ ext{Error}(R)$가 1.4656이고 $ ext{Error}(t)$가 0.0145를 기록하여 예상치 못한 카테고리에 대한 강력한 일반화 능력을 보여준다.
• CG 모듈은 임계값 0.07에서 겹침 예측 정밀도가 0.939를 기록하여 겹치는 점을 식별하는 데 높은 신뢰성을 보인다.
• TFMR 모듈을 적용한 결과, 동일한 임계값 0.07에서 정밀도는 0.987로 상승하지만, 비대표적인 점의 효과적인 제거로 인해 재현율은 감소한다.
• 절단 실험 결과, 굵은 정렬, 겹침 예측, FMR의 조합이 기준 모델 대비 회전 오차를 60% 감소시킴을 확인했다.
• ROPNet는 가우시안 노이즈에 대해 강건성을 보이며, FGR의 성능이 급격히 떨어지는 상황에서도 낮은 오차를 유지한다.