[论文解读] Leveraging Inlier Correspondences Proportion for Point Cloud Registration

Lifa Zhu, Haining Guan+2 more|arXiv (Cornell University)|Jan 28, 2022

3D Shape Modeling and Analysis被引用 7

一句话总结

本文提出GCNet，一种几何引导的一致性网络，通过金字塔层次解码器、一致性投票和几何引导编码模块，提升点云配准中正确对应点对的比例，从而实现SOTA性能，在3DMatch和3DLoMatch数据集上分别取得92.9%和71.9%的配准召回率，且其改进方法具有模型无关性，可轻松迁移至其他网络。

ABSTRACT

In feature-learning based point cloud registration, the correct correspondence construction is vital for the subsequent transformation estimation. However, it is still a challenge to extract discriminative features from point cloud, especially when the input is partial and composed by indistinguishable surfaces (planes, smooth surfaces, etc.). As a result, the proportion of inlier correspondences that precisely match points between two unaligned point clouds is beyond satisfaction. Motivated by this, we devise several techniques to promote feature-learning based point cloud registration performance by leveraging inlier correspondences proportion: a pyramid hierarchy decoder to characterize point features in multiple scales, a consistent voting strategy to maintain consistent correspondences and a geometry guided encoding module to take geometric characteristics into consideration. Based on the above techniques, We build our Geometry-guided Consistent Network (GCNet), and challenge GCNet by indoor, outdoor and object-centric synthetic datasets. Comprehensive experiments demonstrate that GCNet outperforms the state-of-the-art methods and the techniques used in GCNet is model-agnostic, which could be easily migrated to other feature-based deep learning or traditional registration methods, and dramatically improve the performance. The code is available at https://github.com/zhulf0804/NgeNet.

研究动机与目标

• 为解决基于特征的点云配准中正确对应点对召回率低的问题，特别是在部分重叠和光滑表面条件下。
• 通过提高候选匹配中正确对应点对的比例，提升基于深度学习的配准方法的鲁棒性和准确性。
• 开发与模型无关的技术，可轻松集成至现有的基于特征或传统配准流程中。
• 设计统一的网络架构，有效利用多尺度和几何特征，以提升对应点匹配性能。

提出的方法

• 采用金字塔层次解码器提取多尺度点特征，增强不同感受野下的表征能力。
• 引入一致性投票策略，通过在多个特征尺度上强制一致性，过滤虚假对应点对。
• 设计几何引导编码模块，将局部几何结构（如法线、曲率）融入特征学习，提升特征的判别能力。
• 网络架构结合编码器-解码器设计与正确对应点对比例优化，实现鲁棒的变换估计。
• 框架设计为模块化且可迁移，支持集成至其他深度学习或传统配准方法中。
• 方法在特征空间中使用最近邻搜索，结合RANSAC进行鲁棒位姿估计，且因对应点质量提升而显著增强性能。

实验结果

研究问题

• RQ1 提升候选匹配中正确对应点对的比例，是否能显著增强基于特征的点云配准的准确性和鲁棒性？
• RQ2 如何有效将几何先验融入深度特征学习，以提升对应点质量？
• RQ3 在多尺度特征上采用一致性投票机制，能否有效降低对应点匹配中的误报率？
• RQ4 所提技术在不同数据集和网络架构上的泛化能力如何？
• RQ5 集成几何感知特征与投票机制是否能在配准召回率和误差指标上带来可测量的性能提升？

主要发现

• GCNet在3DMatch数据集上实现92.9%的配准召回率，显著优于先前方法。
• 在更具挑战性的3DLoMatch基准上，GCNet实现71.9%的配准召回率，展现出在低重叠条件下的强大性能。
• 在KITTI里程计数据集上，GCNet取得最佳相对平移误差（6.1 cm），并保持99.8%的配准召回率。
• 在MVP-RG合成物体中心基准中，GCNet实现最低的旋转误差（7.99°）、平移误差（0.048）和RMSE（0.093），超越当前SOTA端到端方法。
• 所提方法具有模型无关性，可无缝集成至现有网络中，提升性能且对推理时间开销影响极小。
• 消融实验验证了，一致性投票与几何引导编码模块均对提升正确对应点对比例和整体配准精度具有显著贡献。