[论文解读] Neighbourhood-Insensitive Point Cloud Normal Estimation Network

Zirui Wang, Victor Adrian Prisacariu|arXiv (Cornell University)|Aug 23, 2020

3D Shape Modeling and Analysis参考文献 26被引用 6

一句话总结

该论文提出了一种基于自注意力机制的法向估计网络，通过学习一个温度参数来控制注意力的柔和程度，自适应地聚焦于大邻域内的相关点，实现了94.1%的准确率，较之前SOTA高出2.9%，同时模型尺寸缩小25倍、推理速度提升12倍，并在无需手动调整邻域参数的情况下实现了更快的点到平面ICP收敛速度。

ABSTRACT

We introduce a novel self-attention-based normal estimation network that is able to focus softly on relevant points and adjust the softness by learning a temperature parameter, making it able to work naturally and effectively within a large neighbourhood range. As a result, our model outperforms all existing normal estimation algorithms by a large margin, achieving 94.1% accuracy in comparison with the previous state of the art of 91.2%, with a 25x smaller model and 12x faster inference time. We also use point-to-plane Iterative Closest Point (ICP) as an application case to show that our normal estimations lead to faster convergence than normal estimations from other methods, without manually fine-tuning neighbourhood range parameters. Code available at https://code.active.vision.

研究动机与目标

• 开发一种对不同邻域范围具有鲁棒性且无需手动调参的法向估计方法。
• 在现有基于学习的方法和经典方法的基础上进一步提升法向估计的准确性。
• 与多尺度专家模型相比，显著减小模型尺寸并缩短推理时间。
• 使下游应用（如ICP）能够通过使用高质量、邻域无关的法向实现更快收敛。
• 引入可学习的温度参数，用于控制自注意力模块中注意力柔和度，实现自适应的特征融合。

提出的方法

• 该方法在局部点邻域上应用多头自注意力机制，基于几何上下文软性选择相关点。
• 通过查询-键点积计算注意力分数，并使用受可学习温度参数控制的softmax函数，以调节注意力的锐利程度。
• 模型处理固定且较大的邻域（例如k=25或50），从而无需调整k值即可在不同几何结构间实现泛化。
• 将注意力点的特征聚合，用于预测中心点的表面法向。
• 网络在PCPNet数据集上端到端训练，使用预测法向与真实法向之间的均方误差作为损失函数。
• 在法向估计准确率上进行评估，并应用于点到平面ICP，以评估其下游优势。

实验结果

研究问题

• RQ1 带有可学习温度参数的自注意力机制是否能够实现在点云中对邻域不敏感的法向估计？
• RQ2 在固定大邻域上使用软注意力选择是否优于手动调参的k-NN方法？
• RQ3 单个紧凑模型是否能实现SOTA性能，同时显著小于且快于多尺度专家模型？
• RQ4 所提出的法向估计方法是否能提升点到平面ICP的收敛速度，且无需手动调整邻域参数？
• RQ5 在使用固定大邻域时，该方法在不同几何结构上的鲁棒性如何？

主要发现

• 所提方法在PCPNet数据集上达到94.1%的PGP10准确率，超越此前SOTA的91.2%。
• 与此前SOTA模型（Nesti-Net，大小为1.1GB）相比，模型尺寸缩小25倍，推理速度提升12倍。
• 在点到平面ICP中，该方法收敛速度优于PCA（使用最优k）和Nesti-Net，平均迭代次数为11.3次（nb50）和11.7次（nb25）。
• 模型在不同邻域大小（nb25和nb50）下表现一致，表明对邻域范围具有鲁棒性。
• 即使PCA使用k值的穷举搜索，其ICP收敛速度仍慢于我们的法向估计方法，且在大多数形状上优于Nesti-Net。
• Nesti-Net在19个形状中有12个未能收敛，而我们的方法除s19外在所有形状上均成功收敛，而s19在使用真实法向时也失败。