One-Nearest Neighborhood Guides Inlier Estimation for Unsupervised Point Cloud Registration

要約

教師なし点群登録法の精度は、通常、特に部分的に重複するシナリオでは、信頼できるインライア推定と自己教師あり信号の欠如によって制限されます。
この論文では、ソース点群とそれに対応する参照点群のコピーの間の幾何学的構造の一貫性を捕捉することにより、教師なし点群登録のための効果的なインライア推定方法を提案します。
具体的には、高品質の参照点群のコピーを取得するために、入力点群によって 1 近傍 (1-NN) 点群が生成されます。
これにより、マッチング マップの構築が容易になり、1-NN 点群と入力点群の二重近傍マッチング スコアを統合して、マッチングの信頼性を向上させることができます。
高品質の参照コピーの恩恵を受けて、インライアとその近傍によって形成される近傍グラフは、ソース点群とその対応する参照コピーとの間で一貫性を有するべきであると主張します。
この観察に基づいて、変換不変の幾何構造表現を構築し、幾何構造の一貫性を取得して、ソース点群とその参照コピーの間の推定対応関係のインライア信頼度をスコアリングします。
この戦略は、モデルの最適化のための信頼できる自己教師あり信号を同時に提供できます。
最後に、推定された対応関係と対応するインライア信頼度を使用して、重み付き SVD アルゴリズムによって変換推定をさらに計算します。
提案されたモデルを教師なしの方法でトレーニングし、合成データセットと現実世界のデータセットに対する広範な実験により、提案された方法の有効性が示されています。

要約(オリジナル)

The precision of unsupervised point cloud registration methods is typically limited by the lack of reliable inlier estimation and self-supervised signal, especially in partially overlapping scenarios. In this paper, we propose an effective inlier estimation method for unsupervised point cloud registration by capturing geometric structure consistency between the source point cloud and its corresponding reference point cloud copy. Specifically, to obtain a high quality reference point cloud copy, an One-Nearest Neighborhood (1-NN) point cloud is generated by input point cloud. This facilitates matching map construction and allows for integrating dual neighborhood matching scores of 1-NN point cloud and input point cloud to improve matching confidence. Benefiting from the high quality reference copy, we argue that the neighborhood graph formed by inlier and its neighborhood should have consistency between source point cloud and its corresponding reference copy. Based on this observation, we construct transformation-invariant geometric structure representations and capture geometric structure consistency to score the inlier confidence for estimated correspondences between source point cloud and its reference copy. This strategy can simultaneously provide the reliable self-supervised signal for model optimization. Finally, we further calculate transformation estimation by the weighted SVD algorithm with the estimated correspondences and corresponding inlier confidence. We train the proposed model in an unsupervised manner, and extensive experiments on synthetic and real-world datasets illustrate the effectiveness of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google