[論文レビュー] Iterative Distance-Aware Similarity Matrix Convolution with Mutual-Supervised Point Elimination for Efficient Point Cloud Registration

Jiahao Li, Changhao Zhang+3 more|arXiv (Cornell University)|Oct 23, 2019

3D Shape Modeling and Analysis参考文献 17被引用数 12

ひとこと要約

本稿では、距離に配慮した類似度行列畳み込みを用いて幾何的特徴と空間的特徴を統合的にモデル化し、ロバストな対応関係抽出を実現する学習可能なパイプラインIDAMを提案する。さらに、2段階の点除去戦略と相互監督損失を組み合わせることで、キーポoinのアノテーションを必要とせずエンドツーエンド学習が可能となる。本手法は、特に大規模な点群において、従来の学習ベースおよび伝統的な手法を上回る高い精度と優れた速度を達成し、ノイズが多いおよび部分的に重複するデータでも優れた性能を示す。

ABSTRACT

In this paper, we propose a novel learning-based pipeline for partially overlapping 3D point cloud registration. The proposed model includes an iterative distance-aware similarity matrix convolution module to incorporate information from both the feature and Euclidean space into the pairwise point matching process. These convolution layers learn to match points based on joint information of the entire geometric features and Euclidean offset for each point pair, overcoming the disadvantage of matching by simply taking the inner product of feature vectors. Furthermore, a two-stage learnable point elimination technique is presented to improve computational efficiency and reduce false positive correspondence pairs. A novel mutual-supervision loss is proposed to train the model without extra annotations of keypoints. The pipeline can be easily integrated with both traditional (e.g. FPFH) and learning-based features. Experiments on partially overlapping and noisy point cloud registration show that our method outperforms the current state-of-the-art, while being more computationally efficient. Code is publicly available at https://github.com/jiahaowork/idam.

研究の動機と目的

• 大スケールな変換や部分的重複に対処できない伝統的なICPおよびRANSACベースの手法の限界を解消する。
• 学習ベースの登録において単純な特徴内積による対応関係抽出精度の低さを克服する。
• 誤検出と余分な計算を低減することで、グローバル登録における計算効率を向上させる。
• 新しい相互監督損失を用いることで、キーポイントのアノテーションが不要なエンドツーエンド学習を可能にする。
• 従来の（例：FPFH）およびディープラーニングベースの（例：GNN）特徴と両立可能な柔軟なパイプラインを設計する。

提案手法

• 点対の特徴の連結とユークリッドオフセットを用いて、ペairwise類似度スコアを学習する距離に配慮した類似度行列畳み込みモジュールを導入する。
• 2段階の点除去戦略を適用する：まず、信頼度が低い個々の点をハードに除外する。次に、誤検出の対応ペアを低減するハイブリッド点除去を実行する。
• 相互一貫性を元に、教師なしキーポイントアノテーションが不要なエンドツーエンド学習を可能にする相互監督損失を設計する。
• FPFHおよびGNNベースの特徴とIDAMパイプラインを統合し、既存の特徴抽出手法との互換性を確保する。
• 各ステップで対応関係と変換推定値を更新することで、反復的精錬を用いて段階的に登録精度を向上させる。
• 学習可能な類似度行列を活用し、局所的特徴抽出のみに依存するものよりも、グローバルな幾何的および空間的文脈を集約することで、対応関係抽出のロバスト性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 幾何的特徴とユークリッド距離を統合的にモデル化することで、3次元点群登録における対応関係抽出精度が向上するか？
• RQ2 精度を損なわず、学習ベースのグローバル登録における計算効率をどのように向上させられるか？
• RQ3 2段階の点除去機構は、誤検出を効果的に低減しつつ高い性能を維持できるか？
• RQ4 自己教師あり損失を用いることで、キーポイントのアノテーションが不要な登録ネットワークのエンドツーエンド学習が可能か？
• RQ5 ノイズや重複率の異なる条件下で、本手法は最先端の手法と比較して精度と速度の両面で優れているか？

主な発見

• GNN特徴を用いたIDAMは、ガウスノイズを含むModelNet40において、回転（3.72）と並進（0.023）のRMSEが最低となり、DCP、PRNet、FPFH+RANSACを上回る。
• FPFH特徴を用いたIDAMは、FGRやRANSACと比較して2倍から5倍の高速化を達成し、大規模な点群において他のディープラーニング手法よりも顕著に高速でありながら、精度は競争力を持つ。
• アブレーションスタディの結果、類似度行列畳み込みを追加するだけでRMSE(𝑅)がベースラインの7.77から5.08に低下し、完全なIDAMパイプラインではさらに3.42にまで低下する。
• ハイブリッド点除去（HB）コンponentが最も大きな性能向上をもたらし、RMSE(𝑅)を4.31から3.42に、MAE(𝑡)を0.019から0.005に低下させる。
• IDAMはノイズや部分的重複に対して強く、ModelNet40の未学習カテゴリに対しても一貫した性能を示す。
• 大規模な点群においても計算効率が高く、4096点の点群ではIDAM+GNNが1フレームあたり0.041秒で処理され、DCP（0.084 s）やPRNet（0.312 s）を上回り、RANSAC（0.685 s）よりも顕著に高速である。