Correspondence-Free SE(3) Point Cloud Registration in RKHS via Unsupervised Equivariant Learning

要約

この論文では、点対応を必要とせずに動作する、堅牢な教師なし SE(3) 点群登録方法を紹介します。
この方法では、点群を再現カーネル ヒルベルト空間 (RKHS) の関数としてフレーム化し、直接特徴空間登録に SE(3) 等変特徴を活用します。
新しい RKHS 距離メトリックが提案され、ノイズ、外れ値、非対称データの中でも信頼性の高いパフォーマンスを提供します。
教師なしトレーニング アプローチは、限られたグラウンド トゥルース データを効果的に処理するために導入され、実際のデータセットへの適応を容易にします。
提案された方法は、合成 (ModelNet40) と現実世界 (ETH3D) の両方のノイズが多く外れ値が豊富なデータセットでの登録精度の点で、従来の方法や教師付き方法よりも優れています。
私たちの知る限り、これは等変法を使用して実際の RGB-D オドメトリ データの登録に成功した最初の例です。
コードは、{https://sites.google.com/view/eccv24-equivalign} で入手できます。

要約(オリジナル)

This paper introduces a robust unsupervised SE(3) point cloud registration method that operates without requiring point correspondences. The method frames point clouds as functions in a reproducing kernel Hilbert space (RKHS), leveraging SE(3)-equivariant features for direct feature space registration. A novel RKHS distance metric is proposed, offering reliable performance amidst noise, outliers, and asymmetrical data. An unsupervised training approach is introduced to effectively handle limited ground truth data, facilitating adaptation to real datasets. The proposed method outperforms classical and supervised methods in terms of registration accuracy on both synthetic (ModelNet40) and real-world (ETH3D) noisy, outlier-rich datasets. To our best knowledge, this marks the first instance of successful real RGB-D odometry data registration using an equivariant method. The code is available at {https://sites.google.com/view/eccv24-equivalign}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google