[论文解读] Iterative Distance-Aware Similarity Matrix Convolution with Mutual-Supervised Point Elimination for Efficient Point Cloud Registration

Jiahao Li, Changhao Zhang+3 more|arXiv (Cornell University)|Oct 23, 2019

3D Shape Modeling and Analysis参考文献 17被引用 12

一句话总结

本文提出IDAM，一种可学习的高效且精确的3D点云配准流水线，通过距离感知相似性矩阵卷积联合建模几何与空间特征，实现鲁棒的对应匹配，结合两阶段点消除策略与互监督损失，实现无需关键点标注的端到端训练。该方法在噪声和部分重叠数据上表现优异，尤其在大规模点云上，精度与速度均达到最先进水平，优于现有基于学习的方法与传统方法。

ABSTRACT

In this paper, we propose a novel learning-based pipeline for partially overlapping 3D point cloud registration. The proposed model includes an iterative distance-aware similarity matrix convolution module to incorporate information from both the feature and Euclidean space into the pairwise point matching process. These convolution layers learn to match points based on joint information of the entire geometric features and Euclidean offset for each point pair, overcoming the disadvantage of matching by simply taking the inner product of feature vectors. Furthermore, a two-stage learnable point elimination technique is presented to improve computational efficiency and reduce false positive correspondence pairs. A novel mutual-supervision loss is proposed to train the model without extra annotations of keypoints. The pipeline can be easily integrated with both traditional (e.g. FPFH) and learning-based features. Experiments on partially overlapping and noisy point cloud registration show that our method outperforms the current state-of-the-art, while being more computationally efficient. Code is publicly available at https://github.com/jiahaowork/idam.

研究动机与目标

• 解决传统ICP与基于RANSAC的方法在处理大变换与部分重叠时的局限性。
• 克服基于学习的配准中简单特征内积导致的对应匹配精度低下问题。
• 通过减少误报与冗余计算，提升全局配准中的计算效率。
• 通过新颖的互监督损失，实现无需标注关键点对应关系的端到端训练。
• 设计一种兼容传统方法（如FPFH）与深度学习方法（如GNN）特征的灵活流水线。

提出的方法

• 引入一种距离感知相似性矩阵卷积模块，通过点对的拼接特征与欧氏偏移量学习成对相似性得分。
• 应用两阶段点消除策略：首先，通过硬点消除过滤低置信度的单个点；其次，通过混合点消除降低误报对应对的权重。
• 设计一种互监督损失，通过源点云与目标点云之间的相互一致性，实现无需真实关键点标注的端到端训练。
• 将IDAM流水线与FPFH及GNN-based特征集成，实现与现有特征提取方法的兼容性。
• 通过迭代优化逐步提升配准精度，每一步更新对应关系与变换估计。
• 利用可学习的相似性矩阵聚合全局几何与空间上下文，提升仅依赖局部特征匹配的鲁棒性。

实验结果

研究问题

• RQ1 联合建模几何特征与欧氏距离是否能提升3D点云配准中的对应匹配精度？
• RQ2 在不牺牲精度的前提下，如何提升基于学习的全局配准中的计算效率？
• RQ3 两阶段点消除机制是否能有效减少误报，同时保持高性能？
• RQ4 是否可能通过自监督损失实现无需关键点标注的端到端配准网络训练？
• RQ5 在不同噪声水平与重叠程度下，所提方法在精度与速度方面与最先进方法相比如何？

主要发现

• IDAM结合GNN特征在ModelNet40上高斯噪声下实现旋转RMSE（3.72）与平移RMSE（0.023）最低，优于DCP、PRNet与FPFH+RANSAC。
• IDAM结合FPFH特征比FGR与RANSAC快2至5倍，且在精度上保持竞争力，尤其在大规模点云上显著快于其他深度学习方法。
• 消融实验表明，仅添加相似性矩阵卷积即可将RMSE(𝑅)从基线的7.77降至5.08，完整IDAM流水线进一步降低至3.42。
• 混合点消除（HB）组件贡献最大性能提升，将RMSE(𝑅)从4.31降至3.42，MAE(𝑡)从0.019降至0.005。
• IDAM在噪声与部分重叠条件下保持强鲁棒性，在ModelNet40未见类别上表现一致。
• 该方法在大规模场景下计算效率高：在4096个点时，IDAM+GNN每帧仅耗时0.041秒，优于DCP（0.084秒）与PRNet（0.312秒），远快于RANSAC（0.685秒）。