[论文解读] Geometric Transformer for Fast and Robust Point Cloud Registration

Zheng Qin, Hao Yu+4 more|arXiv (Cornell University)|Feb 14, 2022

3D Shape Modeling and Analysis被引用 21

一句话总结

GeoTransformer 通过成对距离和三元角度学习变换不变的几何特征，以稳健地匹配超点，实现无 RANSAC 的快速点云配准，具有高内点比和召回率。

ABSTRACT

We study the problem of extracting accurate correspondences for point cloud registration. Recent keypoint-free methods bypass the detection of repeatable keypoints which is difficult in low-overlap scenarios, showing great potential in registration. They seek correspondences over downsampled superpoints, which are then propagated to dense points. Superpoints are matched based on whether their neighboring patches overlap. Such sparse and loose matching requires contextual features capturing the geometric structure of the point clouds. We propose Geometric Transformer to learn geometric feature for robust superpoint matching. It encodes pair-wise distances and triplet-wise angles, making it robust in low-overlap cases and invariant to rigid transformation. The simplistic design attains surprisingly high matching accuracy such that no RANSAC is required in the estimation of alignment transformation, leading to $100$ times acceleration. Our method improves the inlier ratio by $17{\sim}30$ percentage points and the registration recall by over $7$ points on the challenging 3DLoMatch benchmark. Our code and models are available at https://github.com/qinzheng93/GeoTransformer.

研究动机与目标

• 解决点云配准中准确对应关系的挑战，特别是在低重叠条件下。
• 开发一种无关键点的匹配方法，依赖于稳健的超点对应。
• 学习变换不变的几何表示，以提高匹配可靠性和配准精度。

提出的方法

• 提出 Geometric Transformer（GeoTransformer），对超点编码成对距离和三元组角度。
• 实现几何自注意力，以在变换不变结构嵌入下捕捉点云内部几何。
• 使用跨注意力模块建模跨点云的一致性并导出用于稳健匹配的混合特征。
• 通过全局特征相关性和一个重叠感知的圆形损失来计算超点对应，以强调高重叠区域。
• 通过一个最优传输层和互相的前 k 个选择，将其细化为密集点对应。
• 执行无 RANSAC 的局部到全局配准（LGR），对局部候选使用加权 SVD，并通过全局内点计数来选择最终变换。

实验结果

研究问题

• RQ1 具备几何感知的变换器能否学习变换不变的特征，以在低重叠场景中实现对稳健的超点匹配？
• RQ2 无关键点、无 RANSAC 的配准流程在室内和室外基准测试中是否能达到有竞争力的精度和速度？
• RQ3 重叠感知损失如何影响收敛性及基于块的对应匹配质量？
• RQ4 在不使用传统鲁棒估计器的情况下，可以在多大程度上从可靠的超点匹配恢复密集点对应？

主要发现

• GeoTransformer 在低重叠情形下显著提高了超点（块）对应的内点比。
• 由于 GeoTransformer 产生的高质量超点匹配，密集点对应达到高精度。
• 该方法在实验中实现了无 RANSAC 的配准，计算时间显著降低（如比 RANSAC 快多达 100 倍）。
• 在 3DLoMatch 上，与基线相比，内点比和配准召回率有显著提升（例如内点比提升 17–30 个百分点，召回率提升 >7 个百分点）。
• 在没有 RANSAC 的情况下，GeoTransformer 结合加权 SVD，在具有挑战性的数据集上实现接近基于 RANSAC 的方法的竞争性召回率。