핵심 개념
提案手法RoITrは、点群の局所幾何学的特徴と大域的コンテキストを統合的に学習することで、任意の姿勢変化に対して頑健な点群マッチングを実現する。
초록
本論文では、回転不変型トランスフォーマー(RoITr)を提案している。RoITrは以下の特徴を持つ:
-
局所レベルでは、点対特徴(PPF)に基づく注意機構を用いて、姿勢に依存しない幾何学的特徴を抽出する。これに基づき、注意機構を用いたエンコーダ-デコーダ構造を構築し、高識別性かつ回転不変な局所幾何学的特徴を学習する。
-
大域レベルでは、回転不変な位置表現を学習し、フレーム間の空間的関係性を考慮することで、特徴の識別性を大幅に向上させる。
-
実験では、従来手法を大幅に上回る性能を示し、特に低重複の場合や大きな姿勢変化がある場合においても高い頑健性を発揮することを確認した。
-
剛体シーンのみならず、非剛体シーンにおいても優れた性能を示した。
以上より、RoITrは任意の姿勢変化に対して頑健な点群マッチングを実現する優れた手法であると言える。
통계
3DLoMatchデータセットにおいて、回転なしの場合のFeature Matching Recall(FMR)は89.6%、Inlier Ratio(IR)は54.3%、Registration Recall(RR)は74.7%を達成した。
3DLoMatchデータセットにおいて、回転ありの場合のFMRは89.4%、IRは53.2%、RRは77.2%を達成した。
인용구
"The intrinsic rotation invariance lies at the core of matching point clouds with handcrafted descriptors."
"As the finite number of augmented rotations can never span the continuous SO(3) space, these methods usually show instability when facing rotations that are rarely seen."