A Dynamic Network for Efficient Point Cloud Registration

要約

点群登録タスクでは、点が重なり合わないことから大きな課題が生じ、大量の計算リソースを消費し、登録精度に悪影響を及ぼします。
この論文では、コンピュータ ビジョン タスクのネットワーク効率を向上させるために広く利用されている動的アプローチを点群登録タスクに導入します。
点群データに対して反復的な登録プロセスを複数回採用して、一致する点が集まっている領域を特定し、最終的にノイズの多い点を削除できるようにします。
具体的には、大まかなグローバル登録を実行するために、深いグローバル サンプリングから始めます。
次に、提案された改良型ノード提案モジュールを使用して、登録領域をさらに絞り込み、ローカル登録を実行します。
さらに、空間整合性に基づく分類器を利用して、各登録段階の結果を評価します。
モデルは十分な信頼度に達すると終了し、不必要な計算が回避されます。
拡張実験では、競合する登録リコール要件を維持しながら、屋内データセット (3DMatch) で 41% 以上、屋外データセット (KITTI) で 33% 以上の速度向上を達成し、同様の結果が得られた他の方法と比較して、私たちのモデルが時間の消費を大幅に削減することを実証しました。

要約(オリジナル)

For the point cloud registration task, a significant challenge arises from non-overlapping points that consume extensive computational resources while negatively affecting registration accuracy. In this paper, we introduce a dynamic approach, widely utilized to improve network efficiency in computer vision tasks, to the point cloud registration task. We employ an iterative registration process on point cloud data multiple times to identify regions where matching points cluster, ultimately enabling us to remove noisy points. Specifically, we begin with deep global sampling to perform coarse global registration. Subsequently, we employ the proposed refined node proposal module to further narrow down the registration region and perform local registration. Furthermore, we utilize a spatial consistency-based classifier to evaluate the results of each registration stage. The model terminates once it reaches sufficient confidence, avoiding unnecessary computations. Extended experiments demonstrate that our model significantly reduces time consumption compared to other methods with similar results, achieving a speed improvement of over 41% on indoor dataset (3DMatch) and 33% on outdoor datasets (KITTI) while maintaining competitive registration recall requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google