[논문 리뷰] SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration

Zhi Chen, Kun Sun외 2명|arXiv (Cornell University)|2022. 03. 28.

3D Shape Modeling and Analysis인용 수 10

한 줄 요약

이 논문은 효율적이고 강력한 포인트 클라우드 레지지스트레이션을 위한 새로운 이阶 공간 호환성(SC²) 측정법인 SC²-PCR을 제안한다. 대응 호환성의 전역 일관성을 활용하여, 초기 단계의 대응 클러스터링에서 이상치 제거를 향상시켜 더 적은 수의 신뢰할 수 있는 샘플링 반복를 가능하게 한다. 이 방법은 벤치마크 데이터셋에서 최신 기술 수준(SOTA)의 정확도와 효율성을 달성하였으며, FPFH를 사용할 경우 1.96%의 리콜 향상을, FCGF를 사용할 경우 0.12%의 향상을 기록하였다. 이는 학습 기반 특징과 조합했을 때의 성능 향상이다.

ABSTRACT

In this paper, we present a second order spatial compatibility (SC^2) measure based method for efficient and robust point cloud registration (PCR), called SC^2-PCR. Firstly, we propose a second order spatial compatibility (SC^2) measure to compute the similarity between correspondences. It considers the global compatibility instead of local consistency, allowing for more distinctive clustering between inliers and outliers at early stage. Based on this measure, our registration pipeline employs a global spectral technique to find some reliable seeds from the initial correspondences. Then we design a two-stage strategy to expand each seed to a consensus set based on the SC^2 measure matrix. Finally, we feed each consensus set to a weighted SVD algorithm to generate a candidate rigid transformation and select the best model as the final result. Our method can guarantee to find a certain number of outlier-free consensus sets using fewer samplings, making the model estimation more efficient and robust. In addition, the proposed SC^2 measure is general and can be easily plugged into deep learning based frameworks. Extensive experiments are carried out to investigate the performance of our method. Code will be available at \url{https://github.com/ZhiChen902/SC2-PCR}.

연구 동기 및 목표

• 포인트 클라우드 레지지스트레이션에서 모호하고 이상치에 취약한 대응 선택 문제를 해결하기 위해.
• 랜덤 샘플링에 대한 의존도를 줄임으로써 RANSAC 유사 방법의 강성과 효율성을 향상시키기 위해.
• 일阶 공간 호환성보다 이상자와 내재자 간의 구분을 더 잘하는 전역 유사성 측정법을 개발하기 위해.
• 딥 러닝 기반 특징 추출기와의 통합을 가능하게 하여 레지지스트레이션 성능을 향상시키기 위해.

제안 방법

• 두 쌍 간의 공통 호환 가능한 대응 수를 계산하는 이阶 공간 호환성(SC²) 측정법을 제안하여 국소 유사성 대비 전역 일관성을 향상시킨다.
• 전역 공존도 점수를 계산하기 전에 일阶 공간 호환성 행렬을 이진화하여 딱딱한 호환성 형태를 생성한다.
• SC² 행렬에서 신뢰할 수 있는 시드 대응을 식별하기 위해 전역 스펙트럼 분해와 비최대 억제를 사용한다.
• 두 단계 샘플링 전략을 활용한다: 첫 번째로 SC² 점수를 사용해 시드를 공의 집합으로 확장하고, 두 번째로 국소 스펙트럼 매칭을 통해 이를 정밀 조정한다.
• 부드러운 SC² 행렬을 가중치로 사용하여 가중치가 부여된 SVD를 적용해 변환 추정의 강성을 향상시킨다.
• 스펙트럼 클러스터링을 통한 시드 선택을 도입하여 공의 집합의 수를 줄여 계산 시간을 크게 감소시키며 성능 손실 없이 구현한다.

실험 결과

연구 질문

• RQ1 이阶 호환성 측정법이 포인트 클라우드 레지지스트레이션에서 이상자와 내재자 간의 구분을 향상시킬 수 있는가?
• RQ2 SC²는 일阶 공간 호환성 대비 모호한 대응 점수를 얼마나 줄이는가?
• RQ3 SC² 기반 샘플링은 정확도를 유지하거나 향상시키면서도 필요한 RANSAC 반복 수를 줄일 수 있는가?
• RQ4 SC²는 얼마나 깊이 학습 기반 특징 추출기와 통합되어 레지지스트레이션 성능을 향상시킬 수 있는가?
• RQ5 두 단계 샘플링 및 시드 선택 전략은 정확도를 훼손하지 않으면서도 계산 효율성을 크게 향상시키는가?

주요 결과

• FPFH 특징과 조합했을 때, 3DMatch 데이터셋에서 SC²-PCR은 일阶 공간 호환성 사용 대비 1.96%의 리콜 향상을 기록하였다.
• FCGF 특징을 사용할 경우, SC²-PCR은 기준선 대비 0.12%의 리콜 향상을 보이며, 딥 러닝 기반 특징과도 효과적으로 기능함을 입증하였다.
• 시드 선택을 적용했을 경우, 레지지스트레이션 시간을 50% 이상 단축시켰으며, FCGF를 사용할 때 3DMatch에서 평균 추론 시간이 0.11초로 측정되었다.
• KITTI 데이터셋에서 FCGF 특징을 사용했을 때, SC²-PCR은 98.02%의 레지지스트레이션 리콜을 달성하여 최고 성능 기준선과 동일한 성능을 보였다.
• 절단 분석 결과, SC², 두 단계 선택, 국소 스펙트럼 매칭, 시드 선택 각각의 구성 요소가 성능 및 효율성 향상에 점진적으로 기여하는 것으로 확인되었다.
• 이론적 분석을 통해 SC²는 일阶 방법 대비 이상자 영향을 받는 모델을 샘플링할 확률을 크게 감소시킴을 입증하였다.