Core Concepts
深層ニューラルネットワークにより、ダウンサンプリングされたスーパーポイントに高い識別力のある特徴表現が与えられる。従来の主要なポイントクラウド登録アプローチでは、まずこれらの特徴表現を照合し、その後RANSACのようなアプローチでアウトライアを除去する。別の主要な手法は、学習されたMLPレイヤーを使ってスーパーポイントの対応を直接予測する。両者にはそれぞれ欠点がある。RANSAC ベースの手法は計算コストが高く、予測ベースの手法は点群に存在しない点を出力してしまう。本論文では、スーパーポイントの対応を直接的にグローバルにマッチングする簡潔で効果的なベースラインを提案する。正規化されたマッチングスコアを対応の重みとして使うことで、RANSAC に頼ることなくアウトライアを除去し、残りの内部点の重みづけを行うことができる。さらに、全体のモデルをエンドツーエンドで学習できるため、より高い精度が得られる。
Abstract
本論文では、ポイントクラウド登録の問題に取り組む。ポイントクラウド登録とは、部分的に重複する2つのポイントクラウドを共通の座標系に整合させる課題である。
まず、KPConvバックボーンを使ってポイントクラウドをダウンサンプリングし、スーパーポイントとその特徴ベクトルを抽出する。次に、特徴表現の強化のために、トランスフォーマーのマルチヘッドアテンションメカニズムを使う。
その後、スーパーポイントの対応をグローバルにマッチングする。具体的には、スーパーポイントの特徴ベクトル間の相関を計算し、正規化したスコアを対応の重みとして使う。この重みを用いて、アウトライアを除去し、残りの内部点の重みづけを行いながら、Kabsch-Umeyama アルゴリズムを使ってSE(3)変換行列を推定する。
この手法は、RANSAC のような煩雑な後処理を必要とせず、エンドツーエンドで学習できる。実験の結果、ModelNet、3DMatch、KITTIのベンチマークで、state-of-the-artな手法と同等以上の精度を達成した。
Stats
入力ポイントクラウドXとYの点数はそれぞれM点とN点である。
ダウンサンプリング後のスーパーポイントの数はM'点とN'点である。
スーパーポイントの特徴ベクトルの次元はDである。