Enhancing Performance of Point Cloud Completion Networks with Consistency Loss

要約

点群補完ネットワークは従来、完成した点群と対応するグラウンドトゥルース間の差異を最小限に抑えるようにトレーニングされてきました。
ただし、不完全なオブジェクト レベルの点群を個別に検査すると、複数の有効な完成解が存在する可能性があります。
この 1 対多のマッピングの問題により、ネットワークへの矛盾した監視信号が発生する可能性があります。これは、損失関数がネットワークの同一の入出力ペアに対して異なる値を生成する可能性があるためです。
多くの場合、この問題はネットワーク最適化プロセスに悪影響を与える可能性があります。
この研究では、1 対多マッピングの問題を軽減するために、新しい完了一貫性損失を使用して従来の学習目標を強化することを提案します。
具体的には、提案された一貫性の損失により、点群補完ネットワークが、同じソース点群か​​ら発生する不完全なオブジェクトに対して一貫した補完ソリューションを生成することが保証されます。
複数の十分に確立されたデータセットとベンチマークにわたる実験結果により、提案された完了一貫性損失には、ネットワークの設計を変更することなく、さまざまな既存のネットワークの完了パフォーマンスを向上させる優れた機能があることが実証されました。
提案された一貫性の損失により、推論速度に影響を与えることなく点補完ネットワークのパフォーマンスが向上し、それによって点群補完の精度が向上します。
特に、提案された一貫性損失を使用してトレーニングされた最先端のポイント補完ネットワークは、困難な新しい MVP データセットに対して最先端の精度を達成できます。
提案された一貫性損失を使用したさまざまなポイント完了モデルの実験のコードと結果は、https://github.com/kaist-avelab/ConsistencyLoss で入手できます。

要約(オリジナル)

Point cloud completion networks are conventionally trained to minimize the disparities between the completed point cloud and the ground-truth counterpart. However, an incomplete object-level point cloud can have multiple valid completion solutions when it is examined in isolation. This one-to-many mapping issue can cause contradictory supervision signals to the network because the loss function may produce different values for identical input-output pairs of the network. In many cases, this issue could adversely affect the network optimization process. In this work, we propose to enhance the conventional learning objective using a novel completion consistency loss to mitigate the one-to-many mapping problem. Specifically, the proposed consistency loss ensure that a point cloud completion network generates a coherent completion solution for incomplete objects originating from the same source point cloud. Experimental results across multiple well-established datasets and benchmarks demonstrated the proposed completion consistency loss have excellent capability to enhance the completion performance of various existing networks without any modification to the design of the networks. The proposed consistency loss enhances the performance of the point completion network without affecting the inference speed, thereby increasing the accuracy of point cloud completion. Notably, a state-of-the-art point completion network trained with the proposed consistency loss can achieve state-of-the-art accuracy on the challenging new MVP dataset. The code and result of experiment various point completion models using proposed consistency loss will be available at: https://github.com/kaist-avelab/ConsistencyLoss .

arxiv情報

提供元, 利用サービス

arxiv.jp, Google