GraphReg: Dynamical Point Cloud Registration with Geometry-aware Graph Signal Processing

要約

この研究では、多くの重要な 3D ビジョン問題の核となる 3D ポイント クラウド レジストレーションのための、高精度で効率的な、物理的に誘導される方法を紹介します。
単に空間ポイント情報を考慮し、サーフェス ジオメトリを無視する既存の物理ベースの方法とは対照的に、ジオメトリを考慮した剛体ダイナミクスを探索して、粒子 (ポイント) の動きを調整し、より正確で堅牢な登録を実現します。
提案手法は 4 つの主要なモジュールで構成されます。
まず、グラフ信号処理 (GSP) フレームワークを活用して、新しいシグネチャ (つまり、各ポイントのポイント応答強度) を定義します。これにより、局所表面変動の記述、キーポイントのリサンプリング、および異なる粒子の識別に成功します。
次に、外れ値に敏感な現在の物理ベースのアプローチの欠点に対処するために、ロバスト統計の中央絶対偏差 (MAD) に対する定義されたポイント応答強度に対応し、適応外れ値抑制に X84 原則を採用して、ロバストで安定した
登録。
その後、点群の高次の特徴を組み込むために、剛体変換の下で新しい幾何学的不変量を提案します。これは、ペアワイズスキャン間の対応を確実に導くために力モデリングにさらに組み込まれます。
最後に、適応シミュレーテッド アニーリング (ASA) メソッドを導入して、グローバルな最適値を検索し、登録プロセスを大幅に加速します。
レンジスキャナーからLiDARまでキャプチャされたさまざまなデータセットで提案された方法を評価するために、包括的な実験を行います。
結果は、提案された方法が精度の点で代表的な最先端のアプローチよりも優れており、大規模な点群の登録により適していることを示しています。
さらに、ほとんどの競合他社よりもかなり高速で堅牢です。

要約(オリジナル)

This study presents a high-accuracy, efficient, and physically induced method for 3D point cloud registration, which is the core of many important 3D vision problems. In contrast to existing physics-based methods that merely consider spatial point information and ignore surface geometry, we explore geometry aware rigid-body dynamics to regulate the particle (point) motion, which results in more precise and robust registration. Our proposed method consists of four major modules. First, we leverage the graph signal processing (GSP) framework to define a new signature, (i.e., point response intensity for each point), by which we succeed in describing the local surface variation, resampling keypoints, and distinguishing different particles. Then, to address the shortcomings of current physics-based approaches that are sensitive to outliers, we accommodate the defined point response intensity to median absolute deviation (MAD) in robust statistics and adopt the X84 principle for adaptive outlier depression, ensuring a robust and stable registration. Subsequently, we propose a novel geometric invariant under rigid transformations to incorporate higher-order features of point clouds, which is further embedded for force modeling to guide the correspondence between pairwise scans credibly. Finally, we introduce an adaptive simulated annealing (ASA) method to search for the global optimum and substantially accelerate the registration process. We perform comprehensive experiments to evaluate the proposed method on various datasets captured from range scanners to LiDAR. Results demonstrate that our proposed method outperforms representative state-of-the-art approaches in terms of accuracy and is more suitable for registering large-scale point clouds. Furthermore, it is considerably faster and more robust than most competitors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google