[论文解读] Deterministic PointNetLK for Generalized Registration

Xue-Qian Li, Jhony Kaesemodel Pontes+1 more|arXiv (Cornell University)|Aug 21, 2020

3D Shape Modeling and Analysis参考文献 30被引用 10

一句话总结

本文提出了一种确定性的 PointNetLK 方法，通过用解析梯度替代有限差分梯度估计，提升了在 3D 点云配准中的鲁棒性和泛化能力。通过利用解析梯度和雅可比矩阵分解，该方法在噪声大、稀疏和部分点云上实现了更优的精度和可靠性，优于标准的 PointNetLK 及当前最先进方法。

ABSTRACT

There has been remarkable progress in the application of deep learning to 3D point cloud registration in recent years. Despite their success, these approaches tend to have poor generalization properties when attempting to align unseen point clouds at test time. PointNetLK has proven the exception to this rule by leveraging the intrinsic generalization properties of the Lucas & Kanade (LK) image alignment algorithm to point cloud registration. The approach relies heavily upon the estimation of a gradient through finite differentiation -- a strategy that is inherently ill-conditioned and highly sensitive to the step-size choice. To avoid these problems, we propose a deterministic PointNetLK method that uses analytical gradients. We also develop several strategies to improve large-volume point cloud processing. We compare our approach to canonical PointNetLK and other state-of-the-art methods and demonstrate how our approach provides accurate, reliable registration with high fidelity. Extended experiments on noisy, sparse, and partial point clouds depict the utility of our approach for many real-world scenarios. Further, the decomposition of the Jacobian matrix affords the reuse of feature embeddings for alternate warp functions.

研究动机与目标

• 解决基于深度学习的 3D 配准方法在未见点云上的泛化能力差的问题。
• 克服 PointNetLK 中有限差分梯度估计的不稳定性，该方法对步长选择敏感。
• 提出一种基于解析梯度的确定性替代方法，以提升鲁棒性和可靠性。
• 提升大规模点云处理的效率和可扩展性。
• 通过雅可比矩阵分解实现特征嵌入在多个变形函数间的复用。

提出的方法

• 用解析梯度替代 PointNetLK 中的有限差分梯度计算，消除对步长选择的敏感性。
• 通过网络和变换层的反向传播推导出梯度的闭式表达式。
• 提出一种雅可比矩阵分解策略，实现在不同变形函数间复用特征嵌入。
• 优化网络架构和训练流程，以支持大规模点云处理。
• 采用改进的 Lucas-Kanade 优化框架，将解析梯度整合到迭代优化过程中。
• 采用基于 PointNet 的特征提取方法，并结合可微变换层，实现端到端训练。

实验结果

研究问题

• RQ1 解析梯度能否提升 PointNetLK 在 3D 点云配准中的鲁棒性和泛化能力？
• RQ2 与基线方法相比，该方法在未见的、含噪声的、稀疏的和部分点云上的表现如何？
• RQ3 雅可比矩阵分解在多变形函数间实现特征嵌入高效复用方面能达到何种程度？
• RQ4 与基于有限差分的 PointNetLK 相比，该确定性方法在配准精度和收敛稳定性方面是否表现更优？
• RQ5 该方法能否在不降低性能的前提下有效扩展到大规模点云？

主要发现

• 所提出的确定性 PointNetLK 在未见点云上的配准精度更高，泛化能力优于原始的采用有限差分梯度的 PointNetLK。
• 在广泛的实验评估中，该方法对噪声、稀疏性和部分点云表现出更优的鲁棒性。
• 解析梯度消除了对步长选择的敏感性，实现了更稳定可靠的优化。
• 雅可比矩阵分解实现了在多个变形函数间高效复用特征嵌入，提升了计算效率。
• 在基准数据集上，该方法优于当前最先进配准技术，尤其在具有挑战性的现实场景中表现突出。
• 即使在极端数据退化条件下，该方法仍能保持高保真度的配准结果，证实了其实际应用价值。