[论文解读] Self-Supervised Point Cloud Registration with Deep Versatile Descriptors

Dongrui Liu, Chuanchuan Chen+3 more|arXiv (Cornell University)|Jan 25, 2022

Remote Sensing and LiDAR Applications被引用 5

一句话总结

本文提出一种自监督点云配准方法，通过联合利用全局与局部描述符来提升特征表示能力和变换感知能力。通过引入局部一致性损失以及辅助任务（重建与法向估计），该方法在合成数据集和真实世界数据集上均取得了当前最优性能，即使在计算效率方面也优于部分有监督方法。

ABSTRACT

As a fundamental yet challenging problem in intelligent transportation systems, point cloud registration attracts vast attention and has been attained with various deep learning-based algorithms. The unsupervised registration algorithms take advantage of deep neural network-enabled novel representation learning while requiring no human annotations, making them applicable to industrial applications. However, unsupervised methods mainly depend on global descriptors, which ignore the high-level representations of local geometries. In this paper, we propose to jointly use both global and local descriptors to register point clouds in a self-supervised manner, which is motivated by a critical observation that all local geometries of point clouds are transformed consistently under the same transformation. Therefore, local geometries can be employed to enhance the representation ability of the feature extraction module. Moreover, the proposed local descriptor is flexible and can be integrated into most existing registration methods and improve their performance. Besides, we also utilize point cloud reconstruction and normal estimation to enhance the transformation awareness of global and local descriptors. Lastly, extensive experimental results on one synthetic and three real-world datasets demonstrate that our method outperforms existing state-of-art unsupervised registration methods and even surpasses supervised ones in some cases. Robustness and computational efficiency evaluations also indicate that the proposed method applies to intelligent vehicles.

研究动机与目标

• 解决仅依赖全局描述符且缺乏鲁棒局部几何表征的无监督点云配准方法的局限性。
• 通过在刚性变换下利用局部点子集之间的几何一致性，增强深度特征提取中的变换感知能力。
• 设计一种灵活的自监督框架，将局部描述符集成到现有配准流程中，而无需真实对应关系。
• 在噪声、异常值和部分点云等挑战性条件下，提升真实世界智能驾驶应用中的鲁棒性与效率。
• 验证辅助任务（点云重建与法向估计）在增强特征表征与配准精度方面的有效性。

提出的方法

• 提出一种自监督框架，通过局部一致性损失联合优化全局与局部描述符，以在刚性变换下强制实现几何不变性。
• 基于观察结果设计一种先验任务：点云的所有局部几何结构均经历一致变换，使网络能够学习高层次结构表征。
• 引入局部描述符模块，从具有代表性的局部子集提取特征，确保对部分或噪声扫描的鲁棒性。
• 将重建与法向估计作为辅助任务，以增强全局与局部描述符的变换感知能力。
• 使用变换后的源点云与目标点云之间特征差异的矩阵可视化（方形矩阵）来分析收敛性与对齐质量。
• 采用多任务损失函数，结合全局描述符损失、局部一致性损失、重建损失与法向估计损失，并通过超参数调优实现最佳平衡。

实验结果

研究问题

• RQ1 联合使用全局与局部描述符是否能够使自监督点云配准性能超越仅依赖全局描述符的方法？
• RQ2 在局部子集之间强制实现几何一致性，如何提升特征表征与配准精度？
• RQ3 像重建与法向估计这样的辅助任务，在多大程度上能提升深度特征提取中的变换感知能力？
• RQ4 在具有挑战性的现实条件下，该方法是否能够超越无监督与有监督配准方法？
• RQ5 局部点子集的大小与超参数设置对整体配准性能有何影响？

主要发现

• 所提方法在合成数据集（ModelNet40）与真实世界数据集（ScanNet、KITTI、NuScenes）上均达到当前最优性能，优于现有无监督方法，甚至超越部分有监督方法。
• 包含所有辅助任务与联合全局-局部学习的完整模型（D）表现最佳，表明每一项组件对最终结果均有显著贡献。
• 最优局部描述符大小为64个点，性能在更小（32）或更大（96）的尺寸下下降，表明细节与鲁棒性之间存在权衡。
• 最佳超参数设置为λ₁=0.5（重建）与λ₂=0.1（法向估计），因数值过大导致任务失衡，从而降低性能。
• 在优化过程中，旋转误差从340.33°降低至6.30°，体现出高度的变换感知特征提取能力；而低感知能力基线模型则陷入局部极小值（40.68°）。
• 局部一致性损失具有高度灵活性，可集成至大多数现有配准网络中，无需架构重构即可提升性能。