[论文解读] GeoTransformer: Fast and Robust Point Cloud Registration with Geometric Transformer

Zheng Qin, Hao Yu+6 more|arXiv (Cornell University)|Jul 25, 2023

3D Surveying and Cultural HeritageEarth and Planetary Sciences被引用 3

一句话总结

GeoTransformer 提出了一种几何不变的 Transformer 架构，通过编码超点之间的成对距离和三元组角度，实现了鲁棒的、无需 RANSAC 的点云配准。通过利用变换不变的几何特征，该方法在 3DLoMatch 等低重叠度基准上实现了 100 倍的配准速度提升，并达到最先进性能，内点率提升 18–31 个百分点，配准召回率提升超过 7 个百分点。

ABSTRACT

We study the problem of extracting accurate correspondences for point cloud registration. Recent keypoint-free methods have shown great potential through bypassing the detection of repeatable keypoints which is difficult to do especially in low-overlap scenarios. 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, or GeoTransformer for short, to learn geometric feature for robust superpoint matching. It encodes pair-wise distances and triplet-wise angles, making it invariant to rigid transformation and robust in low-overlap cases. 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. Extensive experiments on rich benchmarks encompassing indoor, outdoor, synthetic, multiway and non-rigid demonstrate the efficacy of GeoTransformer. Notably, our method improves the inlier ratio by $18{\sim}31$ percentage points and the registration recall by over $7$ points on the challenging 3DLoMatch benchmark. Our code and models are available at \url{https://github.com/qinzheng93/GeoTransformer}.

研究动机与目标

• 为解决因关键点检测重复性差而导致在低重叠度场景下失效的点云配准挑战。
• 通过编码对刚性变换不变的几何结构，提升超点匹配的准确性。
• 通过从一开始就生成高质量、内点丰富的对应关系，消除对 RANSAC 进行变换估计的依赖。
• 通过用直接、可微的对齐步骤替代迭代鲁棒估计，加速配准过程。
• 在多种基准上实现最先进性能，涵盖室内、室外、合成、多路及非刚性场景。

提出的方法

• GeoTransformer 使用自注意力机制，基于成对距离和三元组角度关注所有其他超点，确保几何不变性。
• 通过距离和角度特征编码几何一致性，使表示对刚性变换保持不变。
• 引入一种重叠感知的圆损失，聚焦于重叠度更高的超点对，提升低重叠场景下的鲁棒性。
• 利用高质量的超点匹配通过最优传输层预测密集对应关系，避免使用 RANSAC。
• 通过可微、无参数的低秩全局配准（LGR）模块，直接从密集对应关系估计最终对齐。
• 该方法以粗到精的方式运行：首先执行超点匹配，然后将其传播至密集点。

实验结果

研究问题

• RQ1 基于 Transformer 的方法能否学习到几何不变特征，从而在低重叠场景下提升超点匹配性能？
• RQ2 能否在不依赖对变换敏感的坐标嵌入位置编码的前提下实现几何不变性？
• RQ3 高精度的超点匹配能否消除点云配准中对 RANSAC 的依赖？
• RQ4 GeoTransformer 在具有大旋转和极低重叠度的挑战性基准上表现如何？
• RQ5 该方法能否在多路和非刚性配准任务中保持鲁棒性与速度？

主要发现

• 在 3DLoMatch 基准上，GeoTransformer 将内点率提升 18–31 个百分点，配准召回率提升超过 7 个百分点，显著优于先前方法。
• 通过消除 RANSAC，该方法实现 100 倍的配准加速，5,000 个对应关系的推理时间缩短至 0.01 秒。
• 在 3DMatch 基准上，GeoTransformer 实现 95.7% 的配准召回率，RTE 为 5.69 cm，RRE 为 1.92°，优于所有基线方法，包括 PointDSC 和 DHVR。
• 在 KITTI 里程计基准上，其配准召回率达到 99.5%，RTE 为 6.5 cm，RRE 为 0.24°，在大旋转和真实世界噪声下表现出强大鲁棒性。
• 超点匹配模块中的双归一化操作通过缓解几何模糊区域产生的异常匹配，在低重叠情况下略微提升性能。
• 在 LGR 中进行 5 次迭代的姿态优化可实现精度接近饱和，兼顾速度与精度，适用于实时部署。