HD2Reg: Hierarchical Descriptors and Detectors for Point Cloud Registration

要約

タイトル：HD2Reg：ポイントクラウド登録のための階層的な記述子および検出器

要約：
– 特徴の記述子と検出器は、特徴ベースのポイントクラウド登録の2つの主要な構成要素である。
– しかし、記述子と検出器の学習において、ローカルとグローバルな意味の明示的な表現にはほとんど注意が払われていない。
– この論文では、明示的な二重レベルの記述子と検出器を抽出し、それらを用いた細かいマッチングを行うフレームワークを提案する。
– ローカルとグローバルな意味を明確に学習するために、階層的な対比学習戦略を提案し、高レベルの記述子の強い対応能力を訓練し、低レベルの記述子を用いてローカルな特徴空間を精製する。
– さらに、二重レベルのサリエンシーマップを学習して、2つの異なる意味で2つのキーポイントグループを抽出することを提案する。
– 二進マッチャビリティラベルの弱い監督を克服するために、キーポイントの重要度ランキングをラベル付けするランキング戦略を提案する。
– 最後に、補完的な二重レベルの特徴を活用して、グローバルからローカルへのマッチングスキームを提案し、堅牢で正確な対応を実現する。
– 3DMatchおよびKITTIオドメトリデータセットでの定量的な実験により、提案手法は堅牢で正確なポイントクラウド登録を実現し、最近のキーポイントベースの手法を上回る結果を示した。

要約(オリジナル)

Feature Descriptors and Detectors are two main components of feature-based point cloud registration. However, little attention has been drawn to the explicit representation of local and global semantics in the learning of descriptors and detectors. In this paper, we present a framework that explicitly extracts dual-level descriptors and detectors and performs coarse-to-fine matching with them. First, to explicitly learn local and global semantics, we propose a hierarchical contrastive learning strategy, training the robust matching ability of high-level descriptors, and refining the local feature space using low-level descriptors. Furthermore, we propose to learn dual-level saliency maps that extract two groups of keypoints in two different senses. To overcome the weak supervision of binary matchability labels, we propose a ranking strategy to label the significance ranking of keypoints, and thus provide more fine-grained supervision signals. Finally, we propose a global-to-local matching scheme to obtain robust and accurate correspondences by leveraging the complementary dual-level features.Quantitative experiments on 3DMatch and KITTI odometry datasets show that our method achieves robust and accurate point cloud registration and outperforms recent keypoint-based methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI