A Strong Baseline for Point Cloud Registration via Direct Superpoints Matching

要約

ディープ ニューラル ネットワークは、ダウンサンプリングされたスーパーポイントに高度に識別可能な特徴表現を与えます。
以前の主要な点群登録アプローチでは、最初のステップとして、たとえばシンクホーン アルゴリズムを使用して、これらのフィーチャ表現を照合します。
その後、通常、異常値をフィルタリングするための後処理の改良として RANSAC のような方法が採用されます。
他の有力な方法は、学習された MLP レイヤーを使用してスーパーポイントのマッチングを直接予測することです。
どちらにも欠点があります。RANSAC ベースの方法は計算量が多く、予測ベースの方法は点群に存在しない点を出力するという問題があります。
この論文では、グローバルなマッチング方法でスーパーポイントの対応を見つけるための簡単で効果的なベースラインを提案します。
正規化されたマッチング スコアを各対応の重みとして使用することで、変換行列をフィッティングするときに、面倒な RANSAC に依存せずに外れ値を拒否し、残りの内側値をさらに重み付けできるようになります。
さらに、モデル全体をエンドツーエンドの方法でトレーニングできるため、精度が向上します。
当社のシンプルかつ効果的なベースラインは、ModelNet、3DMatch、KITTI を含む 3 つのデータセットに対して、最先端の手法と同等またはそれ以上の結果を示しています。
私たちは、点群登録の \emph{the} ソリューションとなるアプローチを推奨するのではなく、点群登録のマッチング戦略の役割を強調するために結果を使用します。
コードとモデルは https://github.com/neu-vi/Superpoints_Registration で入手できます。

要約(オリジナル)

Deep neural networks endow the downsampled superpoints with highly discriminative feature representations. Previous dominant point cloud registration approaches match these feature representations as the first step, e.g., using the Sinkhorn algorithm. A RANSAC-like method is then usually adopted as a post-processing refinement to filter the outliers. Other dominant method is to directly predict the superpoint matchings using learned MLP layers. Both of them have drawbacks: RANSAC-based methods are computationally intensive and prediction-based methods suffer from outputing non-existing points in the point cloud. In this paper, we propose a straightforward and effective baseline to find correspondences of superpoints in a global matching manner. We employ the normalized matching scores as weights for each correspondence, allowing us to reject the outliers and further weigh the rest inliers when fitting the transformation matrix without relying on the cumbersome RANSAC. Moreover, the entire model can be trained in an end-to-end fashion, leading to better accuracy. Our simple yet effective baseline shows comparable or even better results than state-of-the-art methods on three datasets including ModelNet, 3DMatch, and KITTI. We do not advocate our approach to be \emph{the} solution for point cloud registration but use the results to emphasize the role of matching strategy for point cloud registration. The code and models are available at https://github.com/neu-vi/Superpoints_Registration.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google