[논문 리뷰] You Only Hypothesize Once: Point Cloud Registration with Rotation-equivariant Descriptors

Haiping Wang, Yuan Liu외 2명|arXiv (Cornell University)|2021. 09. 01.

3D Shape Modeling and Analysis참고 문헌 60인용 수 19

한 줄 요약

이 논문은 최소한의 RANSAC 반복을 통해 정확하고 효율적인 레지지스트레이션을 가능하게 하는 점군 레지지스트레이션 프레임워크 YOHO를 제안한다. icosahedral 군 위에서의 군-등변 딥러닝을 활용하여, 단일 매칭 쌍으로부터 회전을 추정함으로써 검색 공간을 극도로 줄였으며, 3DMatch, 3DLoMatch, ETH 및 WHU-TLS 데이터셋에서 최신 기술 수준의 성능을 달성하였다. 이는 400회 이내의 RANSAC 반복 수치로 달성되었다.

ABSTRACT

In this paper, we propose a novel local descriptor-based framework, called You Only Hypothesize Once (YOHO), for the registration of two unaligned point clouds. In contrast to most existing local descriptors which rely on a fragile local reference frame to gain rotation invariance, the proposed descriptor achieves the rotation invariance by recent technologies of group equivariant feature learning, which brings more robustness to point density and noise. Meanwhile, the descriptor in YOHO also has a rotation equivariant part, which enables us to estimate the registration from just one correspondence hypothesis. Such property reduces the searching space for feasible transformations, thus greatly improves both the accuracy and the efficiency of YOHO. Extensive experiments show that YOHO achieves superior performances with much fewer needed RANSAC iterations on four widely-used datasets, the 3DMatch/3DLoMatch datasets, the ETH dataset and the WHU-TLS dataset. More details are shown in our project page: https://hpwang-whu.github.io/YOHO/.

연구 동기 및 목표

• 노이즈, 밀도 변동 및 부분적 겹침 상황에서 강건한 점군 레지지스트레이션을 해결하기 위해.
• 기존 국소 기술자표기법이 부서지기 쉬운 국소 기준좌표계(LRF)에 의존하여 회전 불변성을 확보하는 데서 비롯되는 한계를 극복하기 위해.
• 회전-등변 특징을 활용하여 단일 대응 쌍으로부터 전체 변환을 추정함으로써 RANSAC의 검색 공간을 줄이기 위해.
• 기존 기준 방법보다 훨씬 적은 RANSAC 반복 수로 최신 기술 수준의 레지지스트레이션 정확도를 달성하기 위해.

제안 방법

• 제안된 YOHO-Desc 기술자표기는 icosahedral 군 위에서의 군-등변 컨볼루션 신경망을 사용하여 구축되며, 내재된 회전-등변성을 보장한다.
• icosahedral 군 위에서의 특징 풀링을 통해 회전 불변성을 달성하여, 입력의 회전에 대해 강건한 기술자표기를 확보한다.
• 기술자표기의 회전-등변 부분은 단일 매칭 쌍으로부터 두 국소 패치 간의 상대적 회전을 추정할 수 있도록 한다.
• 단일 매칭 쌍을 사용하여 후보 변환(회전 + 이동)을 계산하고, 이는 극적으로 축소된 가설 공간에서 RANSAC을 통해 검증한다.
• 각 국소 패치의 60개의 회전된 변형에서 특징 추출을 수행하여 등변 표현을 캡처한 후, 풀링을 통해 불변성을 확보한다.
• 프레임워크는 각 점군 조각에 대해 하나의 특징 추출만을 수행하므로, 모든 쌍별 정렬에 대해 재사용이 가능하며, 계산 효율성을 향상시킨다.

실험 결과

연구 질문

• RQ1 회전-등변 기술자표기법이 단일 대응 가설만으로도 정확한 레지지스트레이션을 가능하게 할 수 있는가? 이는 RANSAC 반복 수를 줄이는 데 기여하는가?
• RQ2 LRF 기반 방법과 비교할 때, 높은 노이즈와 심한 점 밀도 변동 상황에서 제안된 기술자표기법은 어떻게 성능을 발휘하는가?
• RQ3 군-등변 특징의 사용이 점군 레지지스트레이션의 강건성과 정확도 향상에 어느 정도 기여하는가?
• RQ4 기존 방법보다 훨씬 적은 RANSAC 반복 수로 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• YOHO는 3DMatch, 3DLoMatch, ETH 및 WHU-TLS 데이터셋에서 400회 이내의 RANSAC 반복 수로 뛰어난 레지지스트레이션 정확도를 달성하였다.
• YOHO-C와 YOHO-O 모두 400회 이내의 반복 수로 정확한 변환을 찾았으며, 기준 방법은 500회의 반복 수 내에서 정확한 변환의 소수 부분에만 도달하였다.
• 낮은 내재 비율(<0.1)을 가진 3DLoMatch 데이터셋에서 YOHO-O는 단일 매칭 쌍에 의존함으로써 높은 성공 확률을 유지하였다. 반면 기준 방법은 삼중조합이 필요하다.
• 60회의 순방향 전파로 인한 특징 추출 시간이 길어졌음에도 불구하고, 효율적인 RANSAC과 특징 재사용 덕분에 YOHO는 3DMatch 및 3DLoMatch에서 총 레지지스트레이션 시간이 가장 짧았다.
• YOHO는 노이즈와 밀도 변동에 대해 강건하며, 이러한 왜곡에 민감한 LRF 기반 방법보다 뛰어난 성능을 보였다.
• 평면 겹침 영역에서는 회전 추정이 모호해져서 실패하는 경우가 있으며, 이는 평면 표면 상황에서의 한계를 시사한다.