重み付き Chamfer 距離を用いた点群補完のための勾配マッチングによる損失蒸留

[fulfulggg]

タイトル: 重み付き Chamfer 距離を用いた点群補完のための勾配マッチングによる損失蒸留

リンク: https://arxiv.org/abs/2409.06171

概要:

3D点群は、ロボットが環境の幾何学的情報を認識する能力を向上させ、把握姿勢の検出やシーンの理解など、多くの後処理タスクを可能にしました。 ただし、これらのタスクのパフォーマンスは、データ入力の品質に大きく依存しており、不完全なデータは、結果の悪化や障害につながる可能性があります。 Chamfer distance (CD) やその亜種 (HyperCDなど) など、ディープラーニングベースの点群補完用に設計された最近のトレーニング損失関数は、適切な勾配重み付けスキームがパフォーマンスを大幅に向上させることを示唆しています。 ただし、これらのCDベースの損失関数は、通常、データ関連のパラメータ調整が必要であり、データ量の多いタスクでは時間がかかる可能性があります。 この問題に対処するために、パラメータ調整を必要としない重み付きトレーニング損失 (重み付きCD) のファミリーを見つけることを目指しています。 この目的のために、HyperCDと重み付きCDの間の逆伝播における学習動作を模倣することによって、適切な候補損失関数を見つけるための検索スキームであるLoss Distillation via Gradient Matchingを提案します。 これを実現するために、重み付きCD損失に基づいてバックボーンネットワークをトレーニングするための、新しい2レベルの最適化公式を提案します。 その結果、(1) 適切な重み関数を使用すると、重み付きCDは常にHyperCDと同様のパフォーマンスを達成できること、(2) Landau重み付きCD、つまりLandau CDは、点群補完でHyperCDよりも優れたパフォーマンスを発揮し、いくつかのベンチマークデータセットで最先端の結果を得ることができることがわかりました。 デモコードは \url{https://github.com/Zhang-VISLab/IROS2024-LossDistillationWeightedCD} で入手できます。

[fulfulggg]

@yukihiko-fuyuki が以下のラベルを提案し、適用しました：

• point-cloud-completion
• loss-function
• 3D-scene-representation

[fulfulggg]

論文要約

論文要約: 重み付き Chamfer 距離を用いた点群補完のための勾配マッチングによる損失蒸留

背景

• 3D点群データはロボットの環境認識に重要だが、データの欠損は認識精度を低下させる。
• 点群補完技術の学習には、Chamfer Distance (CD) 系の損失関数が用いられる。
• データ依存のパラメータ調整が必要なHyperCDなどの損失関数に対し、本論文は調整不要な重み付きCDに着目する。

目的

• HyperCDと同等の性能を持つ、パラメータ調整不要な最適な重み付きCDを見つける。

手法

• 勾配マッチングによる損失蒸留を提案。
  • HyperCDと重み付きCDの学習における勾配の振る舞いを模倣することで、適切な重み関数を探す。
• 重み付きCDに基づくバックボーンネットワーク学習のための2段階最適化を導入。

結果

1. 適切な重み関数を使用すれば、重み付きCDはHyperCDと同等の性能を実現。
2. Landau重み付きCD（Landau CD）は、点群補完においてHyperCDを上回る性能を示し、複数のベンチマークデータセットで最高水準の結果を達成。

貢献

• パラメータ調整不要で高性能な点群補完を実現するLandau CDを提案。

ポイント

• 本研究は、データ依存のパラメータ調整を不要にすることで、点群補完技術の実用性を高める。
• Landau CDは、従来手法を超える高精度な点群補完を可能にする。