저중첩 환경을 위한 스펙트럼 일관성 기반 포인트 클라우드 등록
Spectral Consistency-Guided Multiview Point Cloud Registration for Low-Overlap Scenes
arXiv낮은 중첩 환경이나 많은 스캔 쌍으로 인해 포인트 클라우드 등록의 정확도와 계산 효율성 확보가 큰 과제였습니다.
- 연구진은 'GMPCR'이라는 비학습 기반 프레임워크를 제안하여, 스펙트럼 일관성 구조로 신뢰할 수 없는 대응점과 데이터 쌍을 효과적으로 걸러냅니다.
- 이 방법은 낮은 중첩 환경에서도 높은 등록 재현율을 달성하며, 정확도와 계산 효율성을 동시에 확보하는 강력한 성능을 입증했습니다.
- 전역적인 일관성 구조를 활용하여 복잡한 3차원 데이터의 포즈 추정 오류를 줄이며, 학습 기반 방식이 아니라는 장점도 갖습니다.
다중 뷰 포인트 클라우드 등록은 중첩이 적은 환경에서 신뢰할 수 있는 대응점 확보가 어렵고, 모든 스캔 쌍에 대한 등록 과정 자체가 계산 비용을 높인다는 문제가 있습니다. 이러한 문제를 해결하기 위해 연구진은 비학습 기반의 'GMPCR' 프레임워크를 제안했습니다. GMPCR은 초기 대응점에서 정제된 2차 호환성 구조를 구축하고, 그 지배적인 스펙트럼 응답을 활용하여 개별 대응점의 신뢰도와 스캔 쌍의 중요도를 평가합니다.
이러한 과정을 통해 시스템은 신뢰할 수 없는 대응점을 필터링하고 정보가 풍부한 스캔 쌍만을 선택함으로써 상대 변환 추정 전에 희소 포즈 그래프를 생성하고 계산 비용을 줄입니다. 각 보존된 스캔 쌍에 대해서는 최대 클리크 기반 가설 생성을 사용하여 신뢰성 있는 상대 변환을 추정합니다. 또한, 전역적인 일관성 구조를 활용하여 적응형 이력 인식 동기화 방식을 통해 포즈 그래프를 추가로 정제하며, 글로벌 회전 잔차 변화에 따라 효과가 조정됩니다.
GMPCR의 성능은 3DMatch, 3DLoMatch, ScanNet, ETH 데이터셋 실험을 통해 입증되었습니다. 특히 이 방법은 3DMatch에서 97.2%의 등록 재현율을 달성했으며, 3DLoMatch에서도 89.6%를 기록했습니다. 연구 결과에 따르면 GMPCR은 낮은 중첩 환경에서의 높은 등록 정확도와 계산 효율성을 동시에 확보하는 균형 잡힌 성능을 제공합니다.