原創(chuàng) | 文 BFT機器人

傳統(tǒng)的手工特征描述符通常具有內(nèi)在的旋轉(zhuǎn)不變性，但是最近的深度匹配器通常通過數(shù)據(jù)增強來獲得旋轉(zhuǎn)不變性。

然而，由于增強旋轉(zhuǎn)數(shù)量有限，無法覆蓋連續(xù)SO（3）空間中所有可能的旋轉(zhuǎn)，因此這些方法通常在面對罕見旋轉(zhuǎn)時表現(xiàn)不穩(wěn)定。

為了解決這個問題，本篇論文提出了RoITr方法，使用注意力機制和基于點對特征的坐標來處理姿態(tài)變化，并在剛性和非剛性基準測試中進行了廣泛實驗以證明其優(yōu)越性。

01??該篇論文的創(chuàng)新點

本篇論文的創(chuàng)新點是提出了一種名為RoITr（Ro tation-Invariant Tr ansformer）的新方法，用于解決點云匹配任務中的姿態(tài)變化問題。

該方法使用注意力機制和基于點對特征的坐標來處理姿態(tài)變化，并在剛性和非剛性基準測試中進行了廣泛實驗以證明其優(yōu)越性。與現(xiàn)有的深度匹配器相比，RoITr具有更高的魯棒性和旋轉(zhuǎn)不變性，并且在效率和準確性方面都表現(xiàn)出色。

圖1是本篇論文中的一個概覽圖，它展示了RoITr的整體架構(gòu)。

本文提出了一種名為RoITr的點云配準算法，它能夠在姿態(tài)不確定的情況下實現(xiàn)高精度的點云配準。RoITr算法主要分為三個步驟：局部幾何編碼、全局上下文聚合和粗到細的匹配。

第一步是局部幾何編碼。

RoITr使用了一個名為Point Pair Feature Transformer（PPFTrans）的編碼器-解碼器架構(gòu)，用于對點云進行局部幾何編碼。PPFTrans包含一個編碼器和一個解碼器，其中編碼器由多個Attentional Abstraction Layer（AAL）和Point Pair Feature Attention Layer（PAL）組成。

AAL用于下采樣和抽象化，而PAL則用于對局部幾何進行編碼和上下文聚合。這些層都基于本文提出的PPF Attention Mechanism（PAM），它使得RoITr具有姿態(tài)不變性。

第二步是全局上下文聚合。

RoITr使用了一個堆疊的全局Transformer網(wǎng)絡來對整個點云進行上下文聚合。

這個網(wǎng)絡由多個Transformer塊組成，每個塊都包含多頭自注意力機制和前饋神經(jīng)網(wǎng)絡層。這些塊可以有效地捕獲點云中的全局結(jié)構(gòu)信息，并將其與局部幾何信息相結(jié)合。

第三步是粗到細的匹配。

RoITr使用了一種粗到細的匹配策略，該策略通過逐層下采樣和上采樣來實現(xiàn)。

首先，RoITr將輸入點云分別編碼為超級點P和Q，并提取它們之間的初始匹配集C0。然后，RoITr對P和Q進行逐層下采樣，生成更粗糙的超級點，并提取它們之間的匹配集Ci。

接下來，RoITr對Ci進行上采樣，生成更細致的超級點，并提取它們之間的匹配集Ci+1。這個過程一直持續(xù)到達到所需的匹配精度為止。

02??實驗

實驗主要是針對三維點云匹配和配準問題進行的。

作者提出了一種新的方法RoITr，并將其與七種現(xiàn)有方法進行了比較。實驗使用了3DMatch和3DLoMatch數(shù)據(jù)集，并在旋轉(zhuǎn)和非旋轉(zhuǎn)情況下進行了評估。表格和圖表展示了定量和定性結(jié)果，以及不同方法之間的比較。

表1展示了在旋轉(zhuǎn)和非旋轉(zhuǎn)的3DMatch和3DLoMatch數(shù)據(jù)集上的定量結(jié)果。

評估使用了5,000個點/對應關(guān)系。只有RMSE小于0.2m的點云被視為正確配準。

圖2展示了在3DLoMatch數(shù)據(jù)集上的定性結(jié)果。

基準方法是GeoTrans。

圖中的(b)和(c)列顯示了兩個點云之間的對應關(guān)系，而(d)和(e)列則展示了配準結(jié)果。綠色線表示內(nèi)點，紅色線表示外點。

消融實驗：

在本文的Ablation Study中，作者主要對RoITr方法進行了改進和削弱，并比較了這些變化對匹配和配準性能的影響。

具體來說，作者使用Point-Transformer（PT）替換PPFTrans，并將PPF-based local coordinates嵌入到PT中，同時采用PT在PAM中使用的相對坐標。結(jié)果表明，本地坐標表示顯著提高了PT在點云匹配任務中的性能，并使其具有旋轉(zhuǎn)不變性。然而，相對坐標在PAM中失敗了，因為作者采用了一種更有效的注意力機制。

此外，在消融實驗中還比較了不同模型組件的貢獻。例如，在RoITr方法中，Attention Abstraction Layer（AAL）、PPF Attention Layer（PAL）和Transition Up Layer（TUL）是構(gòu)成PPFTrans（PPF Transformer）的關(guān)鍵組件。通過逐步去除這些組件并重新訓練模型，作者發(fā)現(xiàn)每個組件都對最終性能有重要貢獻。

總之，在Ablation Study中，作者通過逐步改變模型并比較結(jié)果來探索RoITr方法的優(yōu)缺點，并確定哪些組件對于該方法的成功至關(guān)重要。

圖3展示了在4DLoMatch上使用Lepard 作為基準的非剛性匹配的定性結(jié)果。綠色/紅色線表示內(nèi)點/外點。

03??結(jié)論

引入了一種用于點云匹配的內(nèi)在旋轉(zhuǎn)不變模型RoITr。提出了PAM (PPF注意機制)，該機制嵌入了基于PPF的局部坐標來編碼旋轉(zhuǎn)不變幾何。

該設計以AAL (Attention Abstraction Layer)、PAL (PPF Attention Layer)和TUL (Transition Up Layer)為核心，它們被連續(xù)堆疊組成PPFTrans (PPF Transformer)，用于具有代表性和姿態(tài)無關(guān)的幾何描述。

通過引入一種新的全局變壓器架構(gòu)進一步增強了特征，該架構(gòu)確保了旋轉(zhuǎn)不變的跨幀空間感知。在剛性和非剛性基準上進行了大量的實驗，以證明該方法的優(yōu)越性，特別是對任意旋轉(zhuǎn)的顯著魯棒性。

網(wǎng)址：https://blog.csdn.net/qinglostsoul/article/details/108224863標題：Rotation-Invariant Transformer for Point Cloud Matching

更多精彩內(nèi)容請關(guān)注公眾號：BFT機器人

本文為原創(chuàng)文章，版權(quán)歸BFT機器人所有，如需轉(zhuǎn)載請與我們聯(lián)系。若您對該文章內(nèi)容有任何疑問，請與我們聯(lián)系，將及時回應。