UTOPIC: Uncertainty-aware Overlap Prediction Network for Partial Point Cloud Registration

要約

最先端のモデルがペアの点群を部分的に部分的に整列させるには、信頼性の高いオーバーラップ予測と正確な対応が重要です。
ただし、重複領域と非重複領域の間には本質的に不確実性が存在します。これは常に無視されており、登録パフォーマンスに大きな影響を与えます。
現在の知恵を超えて、あいまいなオーバーラップ予測の問題に取り組むために、UTOPIC と呼ばれる新しい不確実性を意識したオーバーラップ予測ネットワークを提案します。
私たちの知る限り、これは点群の登録にオーバーラップの不確実性を明示的に導入した最初のものです。
さらに、補完デコーダーを介して形状知識を暗黙的に知覚するように特徴抽出器を誘導し、Transformer に幾何学的関係埋め込みを提示して、変換不変の幾何学的認識特徴表現を取得します。
UTOPIC は、重複スコアの信頼性が高く、対応がより正確であるというメリットにより、重複領域が限られている入力に対しても、安定した正確な登録結果を得ることができます。
合成および実際のベンチマークに関する広範な定量的および定性的実験は、最先端の方法に対する私たちのアプローチの優位性を示しています。

要約(オリジナル)

High-confidence overlap prediction and accurate correspondences are critical for cutting-edge models to align paired point clouds in a partial-to-partial manner. However, there inherently exists uncertainty between the overlapping and non-overlapping regions, which has always been neglected and significantly affects the registration performance. Beyond the current wisdom, we propose a novel uncertainty-aware overlap prediction network, dubbed UTOPIC, to tackle the ambiguous overlap prediction problem; to our knowledge, this is the first to explicitly introduce overlap uncertainty to point cloud registration. Moreover, we induce the feature extractor to implicitly perceive the shape knowledge through a completion decoder, and present a geometric relation embedding for Transformer to obtain transformation-invariant geometry-aware feature representations. With the merits of more reliable overlap scores and more precise dense correspondences, UTOPIC can achieve stable and accurate registration results, even for the inputs with limited overlapping areas. Extensive quantitative and qualitative experiments on synthetic and real benchmarks demonstrate the superiority of our approach over state-of-the-art methods.

arxiv情報

著者 Zhilei Chen,Honghua Chen,Lina Gong,Xuefeng Yan,Jun Wang,Yanwen Guo,Jing Qin,Mingqiang Wei
発行日 2022-09-01 10:30:59+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク