[论文解读] Robust and Accurate Superquadric Recovery: a Probabilistic Approach

Weixiao Liu, Yuwei Wu+2 more|arXiv (Cornell University)|Nov 29, 2021

Image and Object Detection Techniques被引用 4

一句话总结

该论文提出了一种新颖的基于概率的超二次曲面恢复方法——EMS，可从噪声点云中实现鲁棒且精确的超二次曲面恢复。通过使用高斯-均匀混合（GUM）模型对噪声和异常值进行建模，并将恢复问题形式化为最大似然估计（MLE）问题，EMS 采用期望、最大化与切换策略，有效避免局部最优解，在合成数据集和真实世界数据集（包括复杂的多超二次曲面表示）上实现了当前最优的准确性、效率与鲁棒性。

ABSTRACT

Interpreting objects with basic geometric primitives has long been studied in computer vision. Among geometric primitives, superquadrics are well known for their ability to represent a wide range of shapes with few parameters. However, as the first and foremost step, recovering superquadrics accurately and robustly from 3D data still remains challenging. The existing methods are subject to local optima and sensitive to noise and outliers in real-world scenarios, resulting in frequent failure in capturing geometric shapes. In this paper, we propose the first probabilistic method to recover superquadrics from point clouds. Our method builds a Gaussian-uniform mixture model (GUM) on the parametric surface of a superquadric, which explicitly models the generation of outliers and noise. The superquadric recovery is formulated as a Maximum Likelihood Estimation (MLE) problem. We propose an algorithm, Expectation, Maximization, and Switching (EMS), to solve this problem, where: (1) outliers are predicted from the posterior perspective; (2) the superquadric parameter is optimized by the trust-region reflective algorithm; and (3) local optima are avoided by globally searching and switching among parameters encoding similar superquadrics. We show that our method can be extended to the multi-superquadrics recovery for complex objects. The proposed method outperforms the state-of-the-art in terms of accuracy, efficiency, and robustness on both synthetic and real-world datasets. The code is at http://github.com/bmlklwx/EMS-superquadric_fitting.git.

研究动机与目标

• 为解决现有局部优化方法在从噪声大且含异常值的3D点云中鲁棒且精确地恢复超二次曲面方面仍具挑战性的问题。
• 开发一种概率框架，在超二次曲面拟合过程中显式建模噪声与异常值，提升在真实场景中的可靠性。
• 通过引入基于超二次曲面几何对称性与代数模糊性的全局切换机制，克服传统优化方法在局部最优解处的局限性。
• 将单个超二次曲面恢复方法扩展至多超二次曲面表示，以支持复杂物体的分层几何抽象。
• 通过提取规范几何基元，实现高层次场景理解，支持物体推理、抓取与规划等任务。

提出的方法

• 采用高斯-均匀混合（GUM）模型对超二次曲面表面的内点噪声与异常值进行建模，将超二次曲面恢复问题形式化为最大似然估计（MLE）问题。
• 提出期望、最大化与切换（EMS）算法，其中E步通过后验推断估计异常值概率，M步使用信赖域反射算法优化超二次曲面参数。
• 引入S步，全局搜索具有相似形状与姿态的替代超二次曲面参数，切换至能提升似然度并逃离局部最优解的参数。
• 利用超二次曲面的几何对称性与代数模糊性，高效探索参数空间，避免收敛至次优局部解。
• 通过递归识别主要超二次曲面组件并将残差视为异常值，将框架扩展至多超二次曲面恢复，实现复杂形状的分层分解。
• 采用体素化方法对点云进行下采样，并应用剪枝阈值控制分层拟合过程的复杂度。

实验结果

研究问题

• RQ1 能否设计一种概率方法，实现从噪声点云中高精度、高鲁棒性与高效率地恢复超二次曲面？
• RQ2 在存在噪声与异常值的情况下，如何在优化过程中避免超二次曲面拟合陷入局部最优解？
• RQ3 当单个超二次曲面无法完整表示形状时，所提方法是否仍能识别复杂点云中的主要超二次曲面类组件？
• RQ4 该概率框架在多超二次曲面的分层恢复方面可扩展到何种程度，以支持复杂物体的建模？
• RQ5 在真实世界与合成数据上，所提方法在拟合精度、运行时间与鲁棒性方面与当前最先进方法相比表现如何？

主要发现

• 所提出的EMS方法在合成与真实世界数据集上均达到最高精度，其平均与最大拟合误差均优于Radial-LSQ与Robust-fitting等基线方法。
• 在包含噪声大、异常值多的RGB-D扫描的BigBIRD数据集上，EMS展现出卓越的鲁棒性，其他方法在该数据集上失效或需多次重启，而EMS仍能保持高精度。
• 在BigBIRD数据集上，EMS的运行时间最快，显著低于Robust-fitting方法，同时保持更优的拟合精度。
• 在多超二次曲面恢复中，EMS能成功从复杂形状中识别出主要超二次曲面（如圆柱形的瓶身），而单超二次曲面方法则无法捕捉主导形状。
• 分层分解过程能有效将异常值与主结构分离，实现对复杂物体（如动物与瓶子）中从属部件的精确恢复。
• 该方法对初始化不敏感，单次运行即可收敛至高质量解，而基线方法常需多次尝试才能逃离局部最优解。