Global Point Cloud Registration using High-dimensional ConvNets and Hough Voting

Abstract

In this thesis, we present novel point cloud registration methods that leverage geometric prior inherent in the set of correspondences. Unlike the previous learning-based registration methods that are either strongly assume the large overlap between the input point cloud fragments, or are limited in terms of the scalability due to the memory and computation cost, the proposed method demonstrates its applicability to registration of large-scale, partially overlapping point clouds. The key concept of our proposed methods are to leverage geometric priors using high-dimensional convolutional networks. With high-dimensional convolutional network that is capable of recognizing inherent geometric structures from the distribution of the correspondences, we can easily recover the relative pose between the pair of point clouds. To this end, we propose two methods using high-dimensional convolutional networks in point cloud registration: 1) 6D convolutional network as an outlier rejection method that implicitly recognizes the lower-dimensional geometric surface that inlier correspondences form. 2) Maximum consensus fitting method that utilizes Hough voting on discretized 6D transformation parameter space. Our proposed methods outperform prior point cloud registration methods on real-world datasets, 3DMatch bechmark, KITTI odometry dataset, and ICL-NUIM. We further provide an extensive analysis of both methods with regard to the various aspects of the registration task.

포인트 클라우드 정합은 한 쌍의 포인트 클라우드를 정렬하는 강체 변환 행렬을 추정하는 문제이다. 본 논문에서 우리는 실제 3차원 스캔의 효율적이고 정확한 정합을 위해 기하학 인식 고차원 합성곱 신경망을 이용하는 방법을 제시한다. 본 논문에서는 총 두 가지 정합 방법을 제시한다. 첫 번째는 정답 3차원 대응점들이 이루는 고차원 기하학적 구조를 인식하는 고차원 합성곱 신경망을 이용하는 방법이다. 정답 3차원 대응점들은 6차원 공간에서 특징적인 기하학적 구조를 이룬다는 사실을 이용하여 이 구조를 인식하는 신경망을 학습하는 방법이다. 주어진 3차원 대응점 집합을 제안된 고차원 합성곱 신경망에 입력하면, 신경망은 정답 대응점들이 이루는 기하학적 구조를 인식하고, 대응점이 정답 대응점일 확률을 출력한다. 정해진 확률값보다 큰 값을 가지는 대응점들을 골라내는 과정을 통해서 우리는 초기 대응점 집합에서 정답이 아닌 대응점들을 걸러내어 높은 순도의 대응점 집합을 얻을 수 있다. 두 번째는, 6차원 강체 변환 매개변수 공간에서 허프 변환 모듈을 사용하여 대응점들의 모든 조합에서 가장 많은 합의를 이루는 회전 행렬과 평행이동 벡터의 성분을 예측하는 방법이다. 주어진 대응점 집합에서 세 쌍의 대응점들을 골라내고, 강체 변환 매개변수를 추정한 후, 6차원 매개변수 공간에 투표를 한다. 투표 과정이 끝나고 얻어진 매개변수 공간을 6차원 희소 합성곱 신경망을 통해 정재하는 과정을 거치고, 매개변수 공간에서 가장 많은 투표를 받은 칸을 골라내어 최종 강체 변환 매개변수를 추정한다. 실험을 통해 제시된 방법들이 실내 및 야외 3차원 데이터셋에서 최신의 포인트 클라우드 정합 방법들보다 더 높은 정합 정확도와 빠른 실행 속도를 보이는 것을 확인했다.