Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration

要約

深い点群の登録方法は、部分的なオーバーラップの課題に直面し、ラベル付きデータに依存しています。
これらの問題に対処するために、部分的に重複する点群の教師なしの深い確率的登録フレームワークである UDPReg を提案します。
具体的には、最初にネットワークを採用して、点群からガウス混合モデル (GMM) の事後確率分布を学習します。
部分的な点群登録を処理するために、Sinkhorn アルゴリズムを適用して、GMM の混合重みの制約の下で分布レベルの対応を予測します。
教師なし学習を可能にするために、自己一貫性、相互一貫性、およびローカル コントラストの 3 つの分布の一貫性に基づく損失を設計します。
自己一貫性損失は、ユークリッド空間と特徴空間の GMM が同一の事後分布を共有するように奨励することによって定式化されます。
相互整合性の損失は、同じクラスターに属する部分的に重なり合う 2 つのポイント クラウドのポイントがクラスター重心を共有するという事実に由来します。
相互整合性の損失により、ネットワークは、2 つの整列した点群の変換不変の事後分布を柔軟に学習できます。
ローカルコントラスト損失により、ネットワークは識別可能なローカル機能を抽出しやすくなります。
当社の UDPReg は、3DMatch/3DLoMatch および ModelNet/ModelLoNet ベンチマークで競争力のあるパフォーマンスを達成しています。

要約(オリジナル)

Deep point cloud registration methods face challenges to partial overlaps and rely on labeled data. To address these issues, we propose UDPReg, an unsupervised deep probabilistic registration framework for point clouds with partial overlaps. Specifically, we first adopt a network to learn posterior probability distributions of Gaussian mixture models (GMMs) from point clouds. To handle partial point cloud registration, we apply the Sinkhorn algorithm to predict the distribution-level correspondences under the constraint of the mixing weights of GMMs. To enable unsupervised learning, we design three distribution consistency-based losses: self-consistency, cross-consistency, and local contrastive. The self-consistency loss is formulated by encouraging GMMs in Euclidean and feature spaces to share identical posterior distributions. The cross-consistency loss derives from the fact that the points of two partially overlapping point clouds belonging to the same clusters share the cluster centroids. The cross-consistency loss allows the network to flexibly learn a transformation-invariant posterior distribution of two aligned point clouds. The local contrastive loss facilitates the network to extract discriminative local features. Our UDPReg achieves competitive performance on the 3DMatch/3DLoMatch and ModelNet/ModelLoNet benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google