Efficient and Robust Point Cloud Registration via Heuristics-guided Parameter Search

要約

推定 3D 対応セットに基づいて 6 自由度の剛体変換を推定することは、点群登録における重要な手順です。
既存の対応識別方法では、通常、外れ値の比率が大きくなり ($>$ 95 $\%$ が一般的)、堅牢な登録方法の重要性が強調されます。
多くの研究者は、堅牢な登録のためにパラメータ検索ベースの戦略 (Branch-and-Bround など) に注目しています。
関連する方法は高い堅牢性を示しますが、その効率は高次元の検索空間に限定されます。
この論文では、高い堅牢性を維持しながら検索を高速化するヒューリスティックに基づくパラメータ検索戦略を提案します。
まず、いくつかの対応 (ヒューリスティック) をサンプリングし、次に各サンプルをインライアにする実行可能な領域を順番に検索するだけです。
私たちの戦略は、検索スペースを大幅に削減し、少数のインライア サンプルだけで精度を保証できるため、効率と堅牢性の間で優れたトレードオフを享受できます。
効率的な検索のために 6 次元の非線形実行可能領域を直接パラメータ化するのは困難であるため、実行可能領域を再パラメータ化するための 3 段階の分解パイプラインを構築します。その結果、私たちの戦略によって簡単に解決できる 3 つの低次元副問題が生成されます。
検索次元を削減するだけでなく、我々の分解により、検索を加速するために 3 つのステージすべてで 1 次元間隔の刺し込みを利用できるようになります。
さらに、サンプリングの有効性を保証するための有効なサンプリング戦略と、探索をさらに加速するための互換性検証セットアップを提案します。
シミュレートされたデータセットと現実世界のデータセットの両方に対する広範な実験により、私たちのアプローチが大幅な効率向上を達成しながら、最先端の方法と同等の堅牢性を示すことが実証されました。

要約(オリジナル)

Estimating the rigid transformation with 6 degrees of freedom based on a putative 3D correspondence set is a crucial procedure in point cloud registration. Existing correspondence identification methods usually lead to large outlier ratios ($>$ 95 $\%$ is common), underscoring the significance of robust registration methods. Many researchers turn to parameter search-based strategies (e.g., Branch-and-Bround) for robust registration. Although related methods show high robustness, their efficiency is limited to the high-dimensional search space. This paper proposes a heuristics-guided parameter search strategy to accelerate the search while maintaining high robustness. We first sample some correspondences (i.e., heuristics) and then just need to sequentially search the feasible regions that make each sample an inlier. Our strategy largely reduces the search space and can guarantee accuracy with only a few inlier samples, therefore enjoying an excellent trade-off between efficiency and robustness. Since directly parameterizing the 6-dimensional nonlinear feasible region for efficient search is intractable, we construct a three-stage decomposition pipeline to reparameterize the feasible region, resulting in three lower-dimensional sub-problems that are easily solvable via our strategy. Besides reducing the searching dimension, our decomposition enables the leverage of 1-dimensional interval stabbing at all three stages for searching acceleration. Moreover, we propose a valid sampling strategy to guarantee our sampling effectiveness, and a compatibility verification setup to further accelerate our search. Extensive experiments on both simulated and real-world datasets demonstrate that our approach exhibits comparable robustness with state-of-the-art methods while achieving a significant efficiency boost.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google