오토인코더 잠재 공간 최적화를 통한 다중 뷰 포인트 클라우드 정합

Multiview Point Cloud Registration via Optimization in an Autoencoder Latent Space

April 30, 2025

저자: Luc Vedrenne, Sylvain Faisan, Denis Fortun

cs.AI

초록

포인트 클라우드 강체 등록(Point cloud rigid registration)은 3D 컴퓨터 비전의 기본적인 문제 중 하나이다. 다중 뷰(multiview) 상황에서는 일련의 객체를 정렬하기 위한 6D 포즈 집합을 찾는 것을 목표로 한다. 쌍별 등록(pairwise registration)에 기반한 방법들은 후속 동기화 알고리즘에 의존하므로, 뷰의 수가 증가함에 따라 확장성이 떨어진다. 생성적 접근법은 이러한 한계를 극복하지만, 가우시안 혼합 모델(Gaussian Mixture Models)을 기반으로 하며 기대값 최대화(Expectation-Maximization) 알고리즘을 사용한다. 따라서 큰 변환을 처리하는 데 적합하지 않다. 또한, 대부분의 기존 방법들은 높은 수준의 열화(degradation)를 처리할 수 없다. 본 논문에서는 POLAR(POint cloud LAtent Registration)를 소개한다. 이는 다중 뷰 등록 방법으로, 많은 수의 뷰를 효율적으로 처리할 수 있으며, 높은 수준의 열화와 큰 초기 각도에 대해 강건하다. 이를 위해, 등록 문제를 사전 훈련된 오토인코더의 잠재 공간으로 전환하고, 열화를 고려한 손실 함수를 설계하며, 효율적인 다중 시작 최적화 전략을 개발하였다. 제안된 방법은 합성 데이터와 실제 데이터에서 최신 기술을 크게 능가한다. POLAR는 github.com/pypolar/polar에서 확인할 수 있으며, pip install polaregistration 명령어로 설치 가능한 독립형 패키지로도 제공된다.

English

Point cloud rigid registration is a fundamental problem in 3D computer vision. In the multiview case, we aim to find a set of 6D poses to align a set of objects. Methods based on pairwise registration rely on a subsequent synchronization algorithm, which makes them poorly scalable with the number of views. Generative approaches overcome this limitation, but are based on Gaussian Mixture Models and use an Expectation-Maximization algorithm. Hence, they are not well suited to handle large transformations. Moreover, most existing methods cannot handle high levels of degradations. In this paper, we introduce POLAR (POint cloud LAtent Registration), a multiview registration method able to efficiently deal with a large number of views, while being robust to a high level of degradations and large initial angles. To achieve this, we transpose the registration problem into the latent space of a pretrained autoencoder, design a loss taking degradations into account, and develop an efficient multistart optimization strategy. Our proposed method significantly outperforms state-of-the-art approaches on synthetic and real data. POLAR is available at github.com/pypolar/polar or as a standalone package which can be installed with pip install polaregistration.