UTOPIC: Uncertainty-aware Overlap Prediction Network for Partial Point Cloud Registration

要約

高信頼性の重複予測と正確な対応付けは、ペアとなる点群の部分的から部分的な位置合わせを行う最先端のモデルにとって重要である。しかし、オーバーラップする領域としない領域の間には本質的に不確実性が存在し、これは常に無視され、レジストレーション性能に大きく影響するものであった。本論文では、この曖昧な重なり予測問題に対処するために、UTOPICと名付けた不確実性を考慮した新しい重なり予測ネットワークを提案する。さらに、特徴抽出器に補完デコーダを通して形状知識を暗黙的に認識させ、変換に不変な形状を考慮した特徴表現を得るために、Transformerの幾何学的関係埋め込みを提示する。UTOPICは、より信頼性の高い重複スコアと、より正確な密な対応付けのメリットにより、重複領域が限られた入力に対しても、安定かつ正確な登録結果を達成することができる。合成および実ベンチマークを用いた広範な定量的・定性的実験により、本アプローチが最先端手法よりも優れていることを実証している。コードは https://github.com/ZhileiChen99/UTOPIC で公開されています。

要約(オリジナル)

High-confidence overlap prediction and accurate correspondences are critical for cutting-edge models to align paired point clouds in a partial-to-partial manner. However, there inherently exists uncertainty between the overlapping and non-overlapping regions, which has always been neglected and significantly affects the registration performance. Beyond the current wisdom, we propose a novel uncertainty-aware overlap prediction network, dubbed UTOPIC, to tackle the ambiguous overlap prediction problem; to our knowledge, this is the first to explicitly introduce overlap uncertainty to point cloud registration. Moreover, we induce the feature extractor to implicitly perceive the shape knowledge through a completion decoder, and present a geometric relation embedding for Transformer to obtain transformation-invariant geometry-aware feature representations. With the merits of more reliable overlap scores and more precise dense correspondences, UTOPIC can achieve stable and accurate registration results, even for the inputs with limited overlapping areas. Extensive quantitative and qualitative experiments on synthetic and real benchmarks demonstrate the superiority of our approach over state-of-the-art methods. Code is available at https://github.com/ZhileiChen99/UTOPIC.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL