[论文解读] Point Cloud Registration using Representative Overlapping Points

Lifa Zhu, Dongrui Liu+5 more|arXiv (Cornell University)|Jul 6, 2021

3D Shape Modeling and Analysis参考文献 46被引用 23

一句话总结

ROPNet 提出了一种基于深度学习的局部到局部点云配准方法，通过上下文引导模块和基于 Transformer 的特征匹配去除（TFMR）模块识别具有代表性的重叠点，将问题转化为局部到完整点云的配准。该方法在含噪声和部分重叠的 ModelNet40 数据上实现了最先进性能，在 AO 设置下，旋转误差 $ ext{Error}(R)$ 为 1.1566，平移误差 $ ext{Error}(t)$ 为 0.0137。

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.

研究动机与目标

• 为解决在噪声和不完全重叠条件下局部到局部点云配准的挑战。
• 减少现有基于学习的方法中由非重叠点或噪声点引起的错误对应关系。
• 通过选择具有代表性的重叠点，将局部到局部配准转化为局部到完整配准，以提高配准精度。
• 增强对未见形状类别和噪声数据的鲁棒性与泛化能力。

提出的方法

• 上下文引导（CG）模块利用编码器网络提取的全局特征预测点重叠分数，并执行粗略初始配准。
• CG 模块利用源点云与目标点云特征之间的互信息及全局上下文信息，估计初始刚性变换。
• 基于 Transformer 的特征匹配去除（TFMR）模块增强点特征，并在局部到完整模式下计算相似性矩阵。
• TFMR 模块利用重叠分数和特征匹配去除非代表性点，仅保留高置信度的对应关系。
• 对优化后的对应点集应用加权 SVD，以估计最终的变换矩阵 $T \in SE(3)$。
• 该方法结合 CG 模块与 TFMR 模块的变换结果，以提升精度。

实验结果

研究问题

• RQ1 是否能有效识别具有代表性的重叠点以提升局部到局部配准的精度？
• RQ2 如何系统性地去除非重叠点和噪声点以减少错误对应关系？
• RQ3 将局部到局部配准转化为局部到完整配准是否能带来更好的性能表现？
• RQ4 全局上下文与局部特征精炼的结合如何增强对噪声和形状变化的鲁棒性？

主要发现

• ROPNet 在 AO 数据上实现了最低的 $\text{Error}(R)$ 为 1.1566 和 $\text{Error}(t)$ 为 0.0137，优于所有对比方法。
• 在 TO 数据上，ROPNet 实现了 $\text{Error}(R)$ 为 1.4656 和 $\text{Error}(t)$ 为 0.0145，表现出对未见类别强大的泛化能力。
• CG 模块在阈值 0.07 下的重叠预测精度达到 0.939，表明其在识别重叠点方面具有高度可靠性。
• 引入 TFMR 模块后，同一阈值下的精度提升至 0.987，尽管召回率因有效去除非代表性点而下降。
• 消融实验证实，结合粗略配准、重叠预测与 FMR 后，旋转误差相比基线降低了 60%。
• ROPNet 对高斯噪声表现出鲁棒性，即使在 FGR 性能急剧下降时仍能保持较低误差。