OMNet：部分対部分点群登録におけるオーバーラップマスクの学習

点群登録は、多くの計算分野において重要なタスクである。従来の対応マッチングに基づく手法は、点対点のスパース特徴マッチングに基づいて3次元剛体変換を推定するため、入力点群に明確な幾何構造が求められる。しかし、変換の精度は抽出された特徴の品質に大きく依存しており、部分的欠損やノイズの影響を受けやすく、誤りが生じやすい。さらに、重複領域のすべての幾何的知識を有効に活用できないという問題もある。一方、従来のグローバル特徴に基づくアプローチは、全体の点群を活用できるが、グローバル特徴の集約過程において非重複領域の点が悪影響を及ぼす点を無視している。本論文では、部分対部分点群登録を対象とした、グローバル特徴に基づく反復型ネットワーク「OMNet」を提案する。本手法では、重複領域を識別するマスクを学習し、非重複領域を排除することで、部分対部分登録問題を同一形状間の登録問題に変換する。また、従来の手法では各オブジェクトについてCADモデルから一度だけ点群をサンプリングしていたが、本研究ではCADモデルをソースとリファレンスの両方に対して別々に2回サンプリングするより現実的なデータ生成法を提案し、従来の過学習問題を回避する。実験結果から、本手法は従来の手法および深層学習ベースの手法と比較して、最先端の性能を達成することが示された。コードは https://github.com/megvii-research/OMNet にて公開されている。