导读

本文提出了INTEGER，一种面向户外点云数据的无监督配准方法，通过整合高层上下文和低层几何特征信息来生成更可靠的伪标签。该方法基于教师-学生框架，创新性地引入特征-几何一致性挖掘（FGCM）模块以提高伪标签的准确性，并利用锚点对比学习（ABCont）和混合密度学生（MDS）模块实现密度不变的特征学习。实验结果显示，INTEGER在大规模户外场景中表现出色，在多个数据集上达到了较高的配准精度和良好的泛化性，显著优于其他无监督方法。

论文信息

• 论文标题： Mining and Transferring Feature-Geometry Coherence for Unsupervised Point Cloud Registration

• 作者： Kezheng Xiong, Haoen Xiang, Qingshan Xu, Chenglu Wen∗, Siqi Shen, Jonathan Li, Cheng Wang

• 论文链接： https://arxiv.org/pdf/2411.01870

• 项目地址： https://github.com/kezheng1204/INTEGER

动机(motivation)

当前无监督点云配准方法在大规模户外场景中面临的局限性：这些方法依赖于低层几何特征，但缺乏对高层上下文信息的有效整合，导致伪标签质量差、优化目标不够可靠，尤其在稠密度变化和低重叠场景下难以适用。此外，现有方法在处理复杂场景中的内点（inlier）与外点（outlier）时表现不够理想，使得生成的伪标签在噪声和变密度条件下缺乏鲁棒性。为解决这些问题，本文旨在利用特征-几何一致性挖掘来动态调整伪标签生成过程，通过整合高层上下文信息和几何特征来改进配准精度，实现无监督框架在户外大规模点云配准中的通用性和可靠性。

(1) 动机：新的内点（外点）倾向于分别聚集在特征空间中代表现有内点（外点）的潜在正（负）锚点周围。(2) 性能：INTEGER生成的伪标签相比于当前最先进的EYOC[12]更加稳健且准确。

算法核心思想与实现

本文的核心算法是INTEGER，一个专为无监督点云配准设计的方法，主要通过三个模块实现：特征-几何一致性挖掘（Feature-Geometry Coherence Mining, FGCM）、基于锚点的对比学习（Anchor-Based Contrastive Learning, ABCont）和混合密度学生（Mixed-Density Student, MDS）。以下是每个模块的详细介绍：

The Overall Pipeline

1. 特征-几何一致性挖掘（FGCM）

FGCM模块负责生成和优化伪标签。为了提高伪标签的准确性，INTEGER采用教师-学生框架，其中教师模型动态适应每批次数据，进而产生较为精确的伪标签。FGCM包括以下步骤：

• 初始种子匹配提议：FGCM首先通过简单的相似度阈值生成初始匹配对。

• 特征-几何聚类：基于特征相似度，FGCM逐步扩展初始匹配，利用锚点（正锚点和负锚点）来聚类潜在内点和外点。同时，空间兼容性过滤用于进一步排除不一致的外点。

• 批次自适应：在每次前向传播中，FGCM会自适应调整教师模型，使其更符合当前批次数据的特征分布，进而生成更精确的伪标签。这一自适应过程利用InfoNCE损失，使教师能够有效区分特征空间中的内点和外点。

2. 基于锚点的对比学习（ABCont）

ABCont模块用于增强特征空间中的鲁棒性，通过锚点约束实现有效的对比学习。在特征空间中，ABCont利用正负锚点代表整体的内点和外点，从而减少了不一致标签带来的噪声，并减少了计算负担。具体实现包括：

• 伪标签对比损失：ABCont定义了一种基于锚点的对比损失（Lcorr），对正负锚点进行分组，以区分内点和外点。

• 对比学习目标：通过将锚点作为学习目标，ABCont使学生模型能够在特征空间中学习到与教师模型一致的特征表示，并提高学生模型在新数据上的泛化能力。

3. 混合密度学生（MDS）

MDS模块用于解决点云密度变化对配准结果的影响，通过密度不变的特征学习来增强鲁棒性。MDS主要步骤如下：

• 混合密度特征匹配：通过对点云进行不同密度的采样，MDS在密度较低和较高的点云中分别提取特征，然后利用ABCont来匹配这些不同密度的特征，进而学习到密度不变的特征。

• 损失聚合：MDS在稠密和稀疏特征匹配上都使用ABCont损失，通过结合两个损失函数来优化学生模型，使其在密度变化的情况下也能保持较好的特征匹配性能。

4. 整体流程

INTEGER算法的整体训练流程如下：

1. 教师初始化：首先在合成数据上初始化教师模型，生成初始伪标签。

2. FGCM自适应伪标签生成：FGCM模块对教师模型进行批次自适应调整，并生成伪标签。

3. ABCont对比学习：通过基于锚点的对比学习，ABCont模块使学生模型能够在特征空间中学习到与教师一致的特征表示。

4. MDS密度不变特征学习：MDS模块利用不同密度的点云数据，通过密度不变特征学习增强学生模型的泛化能力。

5. 更新教师模型：通过迭代训练，教师模型不断学习新的伪标签，为学生模型提供更准确的监督信号。

5. 算法实现的关键技术点

• 特征-几何一致性：通过结合高低层信息，确保伪标签能够准确地包含内点对应关系。

• 锚点对比学习：利用锚点来增强特征空间的一致性，使得伪标签在噪声和密度变化条件下更加稳健。

• 密度不变学习：利用MDS模块实现点云在稀疏和密集场景下的特征一致性，提升算法的鲁棒性。

实现

Comparisons with State-of-the-Art Methods

FGCM自适应前后：逐点特征和对应相似性分布表明，自适应会产生更多的判别特征。

INTEGER消融研究。S.T.I表示综合教师初始化。PBSA和FGC分别表示每批自适应和特征几何聚类

总结 & 局限性

本文提出了INTEGER，一种用于点云配准的无监督新方法，通过整合低层几何信息和高层上下文信息来生成可靠的伪标签。该方法引入了特征-几何一致性挖掘模块（FGCM），用于动态地对教师模型进行自适应调整，并基于特征和几何空间进行稳健的伪标签挖掘。然后，我们设计了混合密度学生（MDS）以学习密度不变的特征，并通过锚点对比学习（ABCont）实现高效的对比学习。大量实验表明，INTEGER在两个大型户外数据集上的表现优异，尽管是无监督方法，其结果依然与当前最先进的监督方法相当，甚至在远距离场景中优于现有的无监督方法。此外，我们的方法在未见数据集上的泛化能力也表现出色。

局限性

所提出方法的局限性主要有两点：

• 方法依赖于教师模型的质量。如果教师模型不准确，特征空间可能会变得过于嘈杂，尤其是在远距离场景下，这会阻碍FGCM中特征-几何聚类的效果。一个可能的改进方案是开发更稳健的教师模型初始化策略。

• 与现有方法相比，由于FGCM模块中采用了迭代的方法，我们的方法在获取伪标签的速度上稍慢。未来的工作可以探索更高效的伪标签挖掘策略。

本文仅做学术分享，如有侵权，请联系删文！

如何利用无监督方法将点云配准做到又准又鲁棒?详细解读24年最新开源的五个State-of-the-Art算法
👇👇👇👇👇👇👇👇👇👇

点击下方卡片

第一时间获取最热行业热点资讯，最新智驾机器人行业技术