A denoised Mean Teacher for domain adaptive point cloud registration

要約

点群ベースの医療登録は、計算効率の向上、強度変化に対する堅牢性、匿名性の維持を約束しますが、類似性メトリクスを使用した教師なし学習の非効率性によって制限されます。
合成変形に関する教師ありトレーニングは代替手段ですが、実際のドメインとのドメイン ギャップに悩まされます。
この取り組みでは、ドメイン適応を通じてこのギャップに取り組むことを目指しています。
意地悪な教師による自己トレーニングは、この問題に対する確立されたアプローチですが、教師からの疑似ラベルの固有のノイズによって損なわれます。
解決策として、2 つの相補的なノイズ除去戦略で構成される、点群登録のためのノイズ除去された教師と生徒のパラダイムを紹介します。
まず、教師と生徒の登録の面取り距離に基づいて疑似ラベルをフィルタリングし、教師による有害な監督を防ぐことを提案します。
次に、予測された変形を使用して移動入力をワープすることで、教師がノイズのないラベルを持つ新しいトレーニング ペアを動的に合成できるようにします。
評価は、2 つのドメイン シフトの下で公開 PVT データセット上の肺血管ツリーの吸気から呼気への登録に対して実行されます。
当社のメソッドは、ベースラインの平均教師を 13.5/62.8% 上回り、さまざまな競合他社を常に上回っており、新たな最先端の精度 (TRE=2.31mm) を打ち立てています。
コードは https://github.com/multimodallearning/denoized_mt_pcd_reg で入手できます。

要約(オリジナル)

Point cloud-based medical registration promises increased computational efficiency, robustness to intensity shifts, and anonymity preservation but is limited by the inefficacy of unsupervised learning with similarity metrics. Supervised training on synthetic deformations is an alternative but, in turn, suffers from the domain gap to the real domain. In this work, we aim to tackle this gap through domain adaptation. Self-training with the Mean Teacher is an established approach to this problem but is impaired by the inherent noise of the pseudo labels from the teacher. As a remedy, we present a denoised teacher-student paradigm for point cloud registration, comprising two complementary denoising strategies. First, we propose to filter pseudo labels based on the Chamfer distances of teacher and student registrations, thus preventing detrimental supervision by the teacher. Second, we make the teacher dynamically synthesize novel training pairs with noise-free labels by warping its moving inputs with the predicted deformations. Evaluation is performed for inhale-to-exhale registration of lung vessel trees on the public PVT dataset under two domain shifts. Our method surpasses the baseline Mean Teacher by 13.5/62.8%, consistently outperforms diverse competitors, and sets a new state-of-the-art accuracy (TRE=2.31mm). Code is available at https://github.com/multimodallearning/denoised_mt_pcd_reg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google