利用软分配网络的内点置信度估计方法进行鲁棒的点云配准

《Image and Vision Computing》：Inliers confidence estimation with soft-assignment network for robust point cloud registration

　　

摘要

点云配准是指估计点云之间的刚性变换问题。由于传感器扫描过程中点云位置与实际物理位置之间存在测量误差，该算法容易找到错误的对忂数。此外，以前的配准方法在生成正确极值时常常遇到困难，尤其是在面对较大初始化误差和噪声时。然而，少量的异常值就可能导致模型性能的系统性偏差。为了解决这些问题，我们提出了内点置信度估计网络（ICENet），该网络包括一个双分支特征交互网络和一个自适应内点预测网络，以排除可能包含异常值的对应关系，从而实现鲁棒的点云配准。首先，双分支特征交互网络（FI）由一个基于独特空间位置信息的全局特征（GF）嵌入层和一个深度特征融合（FF）模块组成，通过协作学习局部和全局特征来增强学习到的逐点特征的区分能力。此外，内点预测网络（IP）使用内点估计（IE）模块，整合了一致性特征，以全面理解点云的形状和结构。设计了软分配（SA）層以确保内点在对应关系中的影响。在ModelNet40和KITTI数据集上进行的广泛实验表明，ICENet的性能优于其他最先进的方法。其在抵抗噪声和泛化到部分重叠场景方面的有效性验证了其强大的鲁棒性和适用性。

引言

通过实现空间坐标变换的估计，点云配准已成为许多计算机视觉任务中的基础研究领域，应用于3D建模[1]、自动驾驶[2]和医学成像[3]等。点云配准的准确性和鲁棒性在很大程度上取决于用于估计最终刚性变换的对忂数的质量。然而，传感器扫描得到的点云本质上包含测量误差和偶尔的异常值，这会导致点云偏离物体的实际几何形状，从而产生扭曲的局部点分布。因此，配准模型中的特征提取过程很容易受到几何伪影的误导，导致优化过程收敛到错误的变换上。此外，传统方法（如ICP[4]及其变体[5]–[7]）在生成正确极值时常常遇到困难，尤其是在面对较大初始化误差和噪声时。当初始误差较大或数据噪声较大时，对应关系搜索和梯度更新步骤可能会使配准过程收敛到错误的极值，使得恢复真实变换变得困难。因此，鲁棒的配准方法必须能够在存在这些错误对应关系的情况下可靠地识别内点并准确计算变换。

近年来，在基于深度学习的点云配准方法方面取得了显著进展，这些方法有效解决了传统模型对噪声和异常值的敏感性问题。基于学习的点云配准方法主要可以分为两类：基于特征的学习和基于对应关系的学习。基于特征的学习方法（3DMatch[8]、PointDSC[9]、D3Feat[10]）的核心思想是利用点云特征网络（如PointNet[11]、PointNet++[12]、DGCNN[13]和KPConv[14]）从点云中提取高维几何特征描述符。然后这些描述符被用于后续的配准模型中，这些模型结合了传统算法和迭代最小化算法（如ICP[4]或RANSAC[15]）。这些方法学习到的特征描述符比手工制作的特征描述符具有更大的鲁棒性和更好的区分能力，同时也提供了强大的集成能力。然而，这些基于特征的配准方法仍然对初始姿态估计敏感。

基于对应关系的配准方法通过在一个端到端的神经网络中集成刚性变换的估计来避免显式的点对点匹配。这些方法（如PoinNetLK[16]、DCP[17]、RPMNet[18]和PRNet[19]）通常利用神经网络和注意力机制来最小化异常值的影响，并计算出最优变换，通过隐式评估和选择内点来增强鲁棒性。基于对应关系的配准方法往往过于依赖训练数据，这限制了它们的泛化能力。

为了解决这些问题，我们提出了具有软分配功能的内点置信度估计网络（ICENet），该网络包括一个双分支特征交互网络（FI）和一个自适应内点预测网络（IP），以排除可能包含异常值的对应关系，实现鲁棒的点云配准。与显式表示对应关系不同，它通过为所有点对分配可调权重来区分哪些配对构成正确的内点对应关系。本文考虑了两个方面。首先，双分支特征交互网络（FI）由一个基于独特空间位置信息的全局特征嵌入层和一个深度特征融合模块组成。深度特征融合模块通过协作学习两个点云之间的局部和全局特征来增强学习到的逐点特征的区分能力。此外，内点预测网络（IP）使用内点估计模块整合了一致性特征，以全面理解点云的形状和结构。可调权重是一种温和的方式，用于模拟识别正确对应关系的过程，使其能够用于计算网络中的最终刚性变换。在ModelNet40和KITTI数据集上进行的全面比较实验表明，ICENet的性能优于其他方法。我们的贡献总结如下：

1)

为了提供具有区分能力的特征描述符并避免异常值造成的错误匹配的影响，我们提出了一种新型的ICENet，该网络利用一致性信息交互实现鲁棒的点云配准。

2)

我们提出FF和GF可以通过显式生成和交互层次化的局部几何特征和空间全局特征来提高特征表示的质量。这种方法有助于建立可靠的最初始应关系。

3)

IP旨在为潜在的匹配点识别具有区分能力的对应关系，从而过滤掉异常值。在ModelNet40和KITTI数据集上的实验表明，所提出的方法比现有方法的配准性能更优。

章节片段

传统配准方法

PFH[20]通过计算局部邻域内所有点对的四维元组并将结果汇总为高维直方图来构建特征描述符。尽管这种方法提供了局部几何结构的全面几何表示，但计算成本较高。相比之下，FPFH[21]简化了PFH[20]中使用的四元组计算，从而降低了计算复杂性。另一种方法SHOT[22]采用了

我们的方法

如图1所示，我们提出了一个具有软分配功能的内点置信度估计网络（ICENet），即使在存在异常值和噪声的情况下也能通过端到端框架准确表示对应关系，从而实现鲁棒的点云配准。ICENet由两个核心网络组成：一个双分支特征交互网络（FI）和一个自适应内点预测网络（IP）。FI分支有效捕获空间全局特征，并将它们与深度局部特征集成

数据集和指标

• 1)
  数据集：
  ModelNet40数据集是在[27]中引用的，它使用CAD软件手动创建的点云集合。该数据集包含40个类别的12,311个CAD模型。我们使用[18]中预处理过的点云，每个点云随机抽取1024个点。KITTI[31]数据集是自动驾驶领域中最知名和广泛使用的数据集之一，它包含11个室外驾驶场景的序列

结论

在这项工作中，我们提出了内点置信度估计网络（ICENet），该网络结合了双分支特征交互（FI）网络和一个自适应内点预测（IP）网络，以排除包含异常值的潜在对应关系，实现鲁棒的点云配准。FI网络由两个关键模块组成：FF模块，通过两个点云之间的深度局部信息交互捕获具有区分能力的特征；GF模块，改善特征

CRediT作者贡献声明

田卓然：撰写 – 原稿编写、可视化、验证、软件实现、方法论、形式分析。陆军：撰写 – 审阅与编辑、验证、监督、资源管理、项目管理、数据整理、概念化。蔡成涛：验证、软件实现、资源管理、项目管理、数据整理。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文所述的工作。

致谢

本工作的部分经费由中国黑龙江省自然科学基金（资助编号：F201123）和国家自然科学基金（资助编号：52171332）提供支持。

田卓然 | 陆军 | 蔡成涛哈尔滨工程大学海洋设备智能技术及应用重点实验室，哈尔滨150001，中国