[논문 리뷰] Neighbourhood-Insensitive Point Cloud Normal Estimation Network

Zirui Wang, Victor Adrian Prisacariu|arXiv (Cornell University)|2020. 08. 23.

3D Shape Modeling and Analysis참고 문헌 26인용 수 6

한 줄 요약

이 논문은 자기주의성 기반 정규 추정 네트워크를 제안하며, 주변점들 중 관련 있는 점들에 자동으로 집중하기 위해 주의 소프트성(attention softness)을 제어하는 학습 가능한 온도 파라미터를 학습함으로써, 이전 최고 성능(SOTA)보다 2.9% 높은 94.1%의 정확도를 달성한다. 이는 모델 크기가 25배 작고, 추론 속도가 12배 빠르며, 수동으로 주변점 범위를 조정하지 않아도 점-면 ICP에서 더 빠른 수렴을 보여준다.

ABSTRACT

We introduce a novel self-attention-based normal estimation network that is able to focus softly on relevant points and adjust the softness by learning a temperature parameter, making it able to work naturally and effectively within a large neighbourhood range. As a result, our model outperforms all existing normal estimation algorithms by a large margin, achieving 94.1% accuracy in comparison with the previous state of the art of 91.2%, with a 25x smaller model and 12x faster inference time. We also use point-to-plane Iterative Closest Point (ICP) as an application case to show that our normal estimations lead to faster convergence than normal estimations from other methods, without manually fine-tuning neighbourhood range parameters. Code available at https://code.active.vision.

연구 동기 및 목표

• 수동 조정 없이 다양한 주변점 범위에 대해 강건한 정규 추정 방법을 개발하기 위해.
• 기존의 학습 기반 및 고전적 방법을 초월해 정규 추정 정확도를 향상시키기 위해.
• 다중 스케일 전문 모델에 비해 모델 크기와 추론 시간을 줄이기 위해.
• 점-면 ICP와 같은 후속 응용 프로그램이 수동 주변점 파rameter 조정 없이도 더 빠르게 수렴하도록 하기 위해.
• 자기주의성 모듈에서 주의 소프트성의 제어에 사용되는 학습 가능한 온도 파라미터를 도입하여 적응형 특징 통합을 가능하게 하기 위해.

제안 방법

• 지오메트릭 컨텍스트에 기반해 관련 있는 점들을 소프트하게 선택하기 위해 국소 포인트 주변점에 다중 헤드 자기주의성 기반 메커니즘을 적용한다.
• 쿼리-키 내적을 통해 주의 점수를 계산하고, 주의의 날카기 정도를 조절하기 위해 학습 가능한 온도 파라미터로 제어되는 소프트맥스 함수를 적용한다.
• 고정된 큰 주변점 범위(예: k=25 또는 50)를 처리함으로써, k 값을 수동 조정할 필요 없이 다양한 기하학적 구조에 일반화할 수 있다.
• 주목한 점들로부터의 특징를 집계하여 중심 점의 표면 정규 벡터를 예측한다.
• 예측된 정규 벡터와 진짜값 간의 평균 제곱오차 손실을 사용하여 PCPNet 데이터셋에서 엔드 투 엔드로 모델을 훈련시킨다.
• 정규 추정 정확도 평가와 함께, 후속 응용 프로그램 평가를 위해 점-면 ICP에 적용하여 성능 향상을 확인한다.

실험 결과

연구 질문

• RQ1 학습 가능한 온도 파라미터를 가진 자기주의성 기반 메커니즘은 포인트 클라우드에서 주변점에 민감하지 않은 정규 추정을 가능하게 하는가?
• RQ2 수동으로 조정된 k 값을 사용하는 전통적인 k-NN 방법보다, 고정된 큰 주변점 범위에서 소프트 주의 선택이 더 우수한 성능을 낼 수 있는가?
• RQ3 단일이고 컴act한 모델이 다중 스케일 전문 모델보다 훨씬 작고 빠르면서도 SOTA 성능을 달성할 수 있는가?
• RQ4 제안된 정규 추정 방법은 수동 주변점 파rameter 조정 없이도 점-면 ICP의 수렴 속도를 향상시킬 수 있는가?
• RQ5 고정된 큰 주변점 범위를 사용할 때, 다양한 기하학적 구조에 대해 이 방법은 얼마나 강건한가?

주요 결과

• 제안된 방법은 PCPNet 데이터셋에서 94.1%의 PGP10 정확도를 달성하여 이전 SOTA인 91.2%를 초월한다.
• 이전 SOTA 모델(Nesti-Net, 1.1GB)에 비해 모델 크기는 25배 작고, 추론 속도는 12배 빠르다.
• 점-면 ICP에서, 최적의 k를 사용한 PCA 및 Nesti-Net보다 더 빠른 수렴을 보였으며, nb50를 사용할 경우 평균 11.3회 반복, nb25를 사용할 경우 11.7회 반복을 기록했다.
• 모델은 주변점 크기(nb25 및 nb50)에 관계없이 일관된 성능을 보이며, 주변점 범위에 대한 강건성을 입증한다.
• PCA가 k 값에 대해 완전한 검색을 수행한 경우조차도, 우리의 정규 벡터를 사용한 ICP는 더 빠른 수렴을 보였으며, 대부분의 형태에서 Nesti-Net을 초월했다.
• Nesti-Net은 19개의 형태 중 12개에서 수렴 실패를 보였지만, 우리의 방법은 s19를 제외한 모든 형태에서 수렴에 성공했으며, s19는 진짜값을 사용할 때도 실패했다.