PointCLM: A Contrastive Learning-based Framework for Multi-instance Point Cloud Registration

要約

マルチインスタンス ポイント クラウド レジストレーションは、ターゲット ポイント クラウド内のソース ポイント クラウド インスタンスの複数のポーズを推定する問題です。
1 つのインスタンスのインライア対応が他のすべてのインスタンスの外れ値を構成するため、この問題を解決することは困難です。
既存の方法は、多くの場合、時間のかかる仮説サンプリングまたは空間的一貫性を利用する機能に依存しているため、パフォーマンスが制限されます。
この論文では、複数インスタンスの点群登録のための対照的な学習ベースのフレームワークである PointCLM を提案します。
最初に対照学習を利用して、入力された推定対応の十分に分散された深い表現を学習します。
次に、これらの表現に基づいて、外れ値を効率的に削除し、残りの対応を正しいインスタンスに割り当てるための外れ値の枝刈り戦略とクラスタリング戦略を提案します。
私たちの方法は、合成データセットと実際のデータセットの両方で最先端の方法よりも大幅に優れています。

要約(オリジナル)

Multi-instance point cloud registration is the problem of estimating multiple poses of source point cloud instances within a target point cloud. Solving this problem is challenging since inlier correspondences of one instance constitute outliers of all the other instances. Existing methods often rely on time-consuming hypothesis sampling or features leveraging spatial consistency, resulting in limited performance. In this paper, we propose PointCLM, a contrastive learning-based framework for mutli-instance point cloud registration. We first utilize contrastive learning to learn well-distributed deep representations for the input putative correspondences. Then based on these representations, we propose a outlier pruning strategy and a clustering strategy to efficiently remove outliers and assign the remaining correspondences to correct instances. Our method outperforms the state-of-the-art methods on both synthetic and real datasets by a large margin.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google