BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration

要約

この論文の目的は、\textit{global} 点群登録 (PCR) の問題に対処すること、つまり、スキャンの初期姿勢に関係なく、点群間の最適な位置合わせを見つけることです。
この問題は、計算上の制約により、古典的な最適化手法にとって困難であることで知られています。
まず、点群が空間内に任意に配置された場合、最先端の深層学習手法では大幅なパフォーマンス低下が発生することを示します。
私たちは、この課題を解決するために \textit{等変深層学習} を利用すべきであることを提案し、PCR の特定のタイプの二重等変性を特徴付けます。
次に、BiEquiformer という斬新でスケーラブルな \textit{bi-equivariant} パイプライン、つまり入力点群の独立した変換と等変となるパイプラインを設計します。
単純なアプローチでは点群を個別に処理しますが、私たちは両方の点群からの情報を融合する表現力豊かな二重等変レイヤーを設計します。
これにより、高品質のスーパーポイント対応を抽出でき、その結果、堅牢な点群登録が可能になります。
最先端の手法との広範な比較により、私たちの手法は 3DMatch データセットと困難な低オーバーラップ 3DLoMatch データセットの両方において、標準設定では同等のパフォーマンスを達成し、ロバスト設定では優れたパフォーマンスを達成することが示されています。

要約(オリジナル)

The goal of this paper is to address the problem of \textit{global} point cloud registration (PCR) i.e., finding the optimal alignment between point clouds irrespective of the initial poses of the scans. This problem is notoriously challenging for classical optimization methods due to computational constraints. First, we show that state-of-the-art deep learning methods suffer from huge performance degradation when the point clouds are arbitrarily placed in space. We propose that \textit{equivariant deep learning} should be utilized for solving this task and we characterize the specific type of bi-equivariance of PCR. Then, we design BiEquiformer a novel and scalable \textit{bi-equivariant} pipeline i.e. equivariant to the independent transformations of the input point clouds. While a naive approach would process the point clouds independently we design expressive bi-equivariant layers that fuse the information from both point clouds. This allows us to extract high-quality superpoint correspondences and in turn, robust point-cloud registration. Extensive comparisons against state-of-the-art methods show that our method achieves comparable performance in the canonical setting and superior performance in the robust setting in both the 3DMatch and the challenging low-overlap 3DLoMatch dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google