[论文解读] SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration

Zhi Chen, Kun Sun+2 more|arXiv (Cornell University)|Mar 28, 2022

3D Shape Modeling and Analysis被引用 10

一句话总结

该论文提出SC²-PCR，一种用于高效且鲁棒的点云配准的新颖二阶空间兼容性（SC²）度量。通过利用对应关系兼容性中的全局一致性，SC²-PCR在早期对应聚类阶段提升了异常值剔除能力，从而减少了采样迭代次数。该方法在基准数据集上实现了最先进（SOTA）的精度与效率，结合学习型特征时，在FPFH上实现1.96%的召回率提升，在FCGF上实现0.12%的提升。

ABSTRACT

In this paper, we present a second order spatial compatibility (SC^2) measure based method for efficient and robust point cloud registration (PCR), called SC^2-PCR. Firstly, we propose a second order spatial compatibility (SC^2) measure to compute the similarity between correspondences. It considers the global compatibility instead of local consistency, allowing for more distinctive clustering between inliers and outliers at early stage. Based on this measure, our registration pipeline employs a global spectral technique to find some reliable seeds from the initial correspondences. Then we design a two-stage strategy to expand each seed to a consensus set based on the SC^2 measure matrix. Finally, we feed each consensus set to a weighted SVD algorithm to generate a candidate rigid transformation and select the best model as the final result. Our method can guarantee to find a certain number of outlier-free consensus sets using fewer samplings, making the model estimation more efficient and robust. In addition, the proposed SC^2 measure is general and can be easily plugged into deep learning based frameworks. Extensive experiments are carried out to investigate the performance of our method. Code will be available at \url{https://github.com/ZhiChen902/SC2-PCR}.

研究动机与目标

• 解决点云配准中对应关系选择模糊且易受异常值影响的挑战。
• 通过减少对随机采样的依赖，提升类似RANSAC方法的鲁棒性与效率。
• 开发一种全局相似性度量，其在区分内点与外点方面优于一阶空间兼容性。
• 实现与基于深度学习的特征提取器的集成，以进一步提升性能。

提出的方法

• 提出一种二阶空间兼容性（SC²）度量，通过计算两组对应关系之间的共同兼容对应数量，增强相对于局部相似性的全局一致性。
• 在计算全局共现得分前，对一阶空间兼容性矩阵进行二值化处理，以生成硬性兼容形式。
• 使用全局谱分解结合非极大值抑制，从SC²矩阵中识别出可靠的种子对应关系。
• 采用两阶段采样策略：首先利用SC²得分将种子扩展为一致集，随后通过局部谱匹配进行优化。
• 使用软SC²矩阵作为权重进行加权SVD，以提升变换估计的鲁棒性。
• 引入基于谱聚类的种子选择策略，以减少一致集数量，显著降低计算时间且不损失性能。

实验结果

研究问题

• RQ1 二阶兼容性度量是否能提升点云配准中内点与外点的区分能力？
• RQ2 SC²在减少对应关系模糊评分方面，相较于一阶空间兼容性表现如何？
• RQ3 基于SC²的采样是否能减少所需RANSAC迭代次数，同时保持或提升精度？
• RQ4 SC²与基于深度学习的特征提取器集成后，能在多大程度上提升配准性能？
• RQ5 两阶段采样与种子选择策略是否能显著提升计算效率，且不牺牲精度？

主要发现

• 当与FPFH特征结合时，SC²-PCR在3DMatch数据集上相比使用一阶空间兼容性的基线方法，召回率提升了1.96%。
• 在使用FCGF特征时，SC²-PCR相比基线方法召回率提升0.12%，证明其在基于深度学习的特征下依然有效。
• 通过种子选择策略，该方法将配准时间减少了50%以上，在3DMatch数据集上使用FCGF特征时，平均推理时间降至0.11秒。
• 在KITTI数据集上，SC²-PCR使用FCGF特征实现了98.02%的配准召回率，与最佳基线方法持平。
• 消融实验证实，SC²、两阶段选择、局部谱匹配和种子选择等各组件均对性能与效率有逐步贡献。
• 理论分析表明，SC²显著降低了采样到受异常值影响模型的概率，相较于一阶方法具有明显优势。