[论文解读] You Only Hypothesize Once: Point Cloud Registration with Rotation-equivariant Descriptors

Haiping Wang, Yuan Liu+2 more|arXiv (Cornell University)|Sep 1, 2021

3D Shape Modeling and Analysis参考文献 60被引用 19

一句话总结

本文提出 YOHO，一种基于旋转等变与旋转不变描述子的点云配准框架，可在极少 RANSAC 迭代次数下实现高精度、高效率的配准。通过在二十面体群上应用群等变深度学习，YOHO 仅凭一对匹配点即可估计旋转，极大缩小了搜索空间，并在 3DMatch、3DLoMatch、ETH 和 WHU-TLS 数据集上实现最先进性能，RANSAC 迭代次数低于 400 次。

ABSTRACT

In this paper, we propose a novel local descriptor-based framework, called You Only Hypothesize Once (YOHO), for the registration of two unaligned point clouds. In contrast to most existing local descriptors which rely on a fragile local reference frame to gain rotation invariance, the proposed descriptor achieves the rotation invariance by recent technologies of group equivariant feature learning, which brings more robustness to point density and noise. Meanwhile, the descriptor in YOHO also has a rotation equivariant part, which enables us to estimate the registration from just one correspondence hypothesis. Such property reduces the searching space for feasible transformations, thus greatly improves both the accuracy and the efficiency of YOHO. Extensive experiments show that YOHO achieves superior performances with much fewer needed RANSAC iterations on four widely-used datasets, the 3DMatch/3DLoMatch datasets, the ETH dataset and the WHU-TLS dataset. More details are shown in our project page: https://hpwang-whu.github.io/YOHO/.

研究动机与目标

• 解决在噪声、密度变化和部分重叠条件下鲁棒点云配准的挑战。
• 克服现有局部描述子依赖脆弱局部参考系（LRF）实现旋转不变性的局限。
• 利用旋转等变特征，仅从一对对应关系估计全局变换，从而减少 RANSAC 搜索空间。
• 在远少于基线方法的 RANSAC 迭代次数下，实现最先进水平的配准精度。

提出的方法

• 所提出的 YOHO-Desc 描述子基于二十面体群上的群等变卷积神经网络构建，实现固有的旋转等变性。
• 通过在二十面体群上池化特征实现旋转不变性，使描述子对输入旋转具有鲁棒性。
• 描述子的旋转等变部分可仅从一对匹配的局部 patch 估计两者的相对旋转。
• 使用一对匹配点计算候选变换（旋转 + 平移），随后通过大幅缩小假设空间的 RANSAC 进行验证。
• 对每个局部 patch 的 60 种旋转版本进行特征提取，以捕捉等变表示，随后进行池化以实现不变性。
• 该框架对每个点云片段仅执行一次特征提取，支持所有成对配准中的复用，从而提升计算效率。

实验结果

研究问题

• RQ1 旋转等变描述子是否可仅凭一个对应假设实现高精度配准，从而减少 RANSAC 迭代次数？
• RQ2 与基于 LRF 的方法相比，所提出的描述子在高噪声和显著点云密度变化条件下的表现如何？
• RQ3 使用群等变特征在多大程度上提升了点云配准的鲁棒性与精度？
• RQ4 该框架是否能以远少于现有方法的 RANSAC 迭代次数实现最先进性能？

主要发现

• YOHO 在 3DMatch、3DLoMatch、ETH 和 WHU-TLS 数据集上实现优越的配准精度，RANSAC 迭代次数少于 400 次。
• YOHO-C 与 YOHO-O 均在 400 次迭代内找到正确变换，而基线方法在 500 次迭代内仅能获得少量正确变换。
• 在 3DLoMatch 数据集（内点率 <0.1）上，YOHO-O 凭借依赖单对匹配点的机制，保持了高成功概率，而基线方法需依赖三元组。
• 尽管因 60 次前向传播导致特征提取时间较长，但 YOHO 在 3DMatch 和 3DLoMatch 上的总配准时间最短，得益于高效的 RANSAC 和特征复用。
• YOHO 对噪声和密度变化表现出强鲁棒性，优于对这些畸变敏感的基于 LRF 的方法。
• 该方法在平面重叠区域失效，原因在于旋转估计存在歧义，表明其在平坦表面场景中存在局限性。