RoCNet: 3D Robust Registration of Point-Clouds using Deep Learning

要約

この論文では、深層学習に基づく 3D 点群登録の新しい方法を紹介します。
このアーキテクチャは、3 つの異なるブロックで構成されています。(i) 各ポイントのすぐ近くをエンコードする畳み込みグラフベースの記述子で構成されるエンコーダーと、表面法線の変化をエンコードするアテンション メカニズム。
このような記述子は、同じセットのポイント間、次に 2 つのセットのポイント間の注意を強調することによって洗練されます。
(ii) シンクホーン アルゴリズムを使用して対応行列を推定するマッチング プロセス。
(iii) 最後に、2 つの点群間の剛体変換が、対応行列からの Kc ベスト スコアを使用して RANSAC によって計算されます。
ModelNet40 データセットで実験を行ったところ、提案されたアーキテクチャは非常に有望な結果を示しており、部分的なオーバーラップやガウス ノイズによるデータ拡張など、シミュレートされたほとんどの構成で最先端の方法よりも優れています。

要約(オリジナル)

This paper introduces a new method for 3D point cloud registration based on deep learning. The architecture is composed of three distinct blocs: (i) an encoder composed of a convolutional graph-based descriptor that encodes the immediate neighbourhood of each point and an attention mechanism that encodes the variations of the surface normals. Such descriptors are refined by highlighting attention between the points of the same set and then between the points of the two sets. (ii) a matching process that estimates a matrix of correspondences using the Sinkhorn algorithm. (iii) Finally, the rigid transformation between the two point clouds is calculated by RANSAC using the Kc best scores from the correspondence matrix. We conduct experiments on the ModelNet40 dataset, and our proposed architecture shows very promising results, outperforming state-of-the-art methods in most of the simulated configurations, including partial overlap and data augmentation with Gaussian noise.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google