Fugu-MT 論文翻訳(概要): Target-less registration of point clouds: A review

論文の概要: Target-less registration of point clouds: A review

arxiv url: http://arxiv.org/abs/1912.12756v1
Date: Sun, 29 Dec 2019 23:12:33 GMT
ステータス: 処理完了
システム内更新日: 2023-01-17 08:03:16.753979
Title: Target-less registration of point clouds: A review
Title（参考訳）: ポイントクラウドのターゲットレス登録:レビュー
Authors: Yue Pan
Abstract要約: 我々は、点雲登録の基本的なワークフロー、すなわち対応決定と変換推定を要約した。提案手法は,特徴マッチングに基づく手法,反復的最近点アルゴリズム,ランダムな仮説と検証に基づく手法である。最後に,現在のクラウド登録手法の課題について論じ,自動登録手法の今後の展開について,いくつかのオープンな疑問を提起した。
参考スコア（独自算出の注目度）: 4.307704177248648
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Point cloud registration has been one of the basic steps of point cloud processing, which has a lot of applications in remote sensing and robotics. In this report, we summarized the basic workflow of target-less point cloud registration,namely correspondence determination and transformation estimation. Then we reviewed three commonly used groups of registration approaches, namely the feature matching based methods, the iterative closest points algorithm and the randomly hypothesis and verify based methods. Besides, we analyzed the advantage and disadvantage of these methods are introduced their common application scenarios. At last, we discussed the challenges of current point cloud registration methods and proposed several open questions for the future development of automatic registration approaches.
Abstract（参考訳）: ポイントクラウド登録はポイントクラウド処理の基本的なステップのひとつであり、リモートセンシングやロボティクスに多くの応用がある。本報告では、ターゲットレスポイントクラウド登録の基本的なワークフロー、すなわち対応決定と変換推定について要約する。次に,特徴マッチングに基づく手法,反復的最近点アルゴリズム,ランダム仮説と検証に基づく手法の3つの一般的な登録手法について検討した。さらに、これらの手法の利点と欠点を分析し、それらの共通アプリケーションシナリオを紹介した。最後に,現在のポイントクラウド登録手法の課題を議論し,自動登録手法の今後の展開に向けて,いくつかの疑問を提起した。

関連論文リスト

Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-25T16:48:44Z)
DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
論文参考訳（メタデータ） (2023-12-05T16:47:46Z)
Zero-Shot Point Cloud Registration [94.39796531154303]
ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。 ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。 3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
論文参考訳（メタデータ） (2023-12-05T11:33:16Z)
PointCLM: A Contrastive Learning-based Framework for Multi-instance Point Cloud Registration [4.969636478156443]
PointCLMは、ミュートリインスタンスポイントクラウド登録のための対照的な学習ベースのフレームワークである。提案手法は, 合成データと実データの両方において, 最先端の手法よりも大きなマージンで性能を向上する。
論文参考訳（メタデータ） (2022-09-01T04:30:05Z)
PCRP: Unsupervised Point Cloud Object Retrieval and Pose Estimation [50.3020332934185]
そこで本研究では,PCRPと呼ばれる,教師なしのクラウドオブジェクトの検索とポーズ推定手法を提案する。 ModelNet40データセットの実験は、従来の学習ベースの手法と比較して、PCRPの優れた性能を示している。
論文参考訳（メタデータ） (2022-02-16T03:37:43Z)
Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
論文参考訳（メタデータ） (2021-12-18T12:39:05Z)
Consistent Two-Flow Network for Tele-Registration of Point Clouds [74.51029406361997]
任意のポーズで提示される点群間の登録を可能とし,重複がほとんどあるいは全くない学習ベースの手法を提案する。本手法は,一群の形状の先行を学習し,部分的な形状を完遂できる新しいニューラルネットワーク設計に基づいている。個別のフローと比較して、この2フローのトレーニングが堅牢で信頼性の高い遠隔登録につながることを示す。
論文参考訳（メタデータ） (2021-06-01T09:03:21Z)
End-to-End 3D Point Cloud Learning for Registration Task Using Virtual Correspondences [17.70819292121181]
3Dポイントのクラウド登録は、2つのポイントのクラウド間の厳密な変換を見つけるのが難しいため、依然として非常に難しいトピックである。本稿では,ポイントクラウド登録問題を解決するために,エンドツーエンドのディープラーニングに基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-11-30T06:55:05Z)
Unsupervised Point Cloud Registration via Salient Points Analysis (SPA) [57.62713515497585]
本研究では,SPA (Salient Point Analysis) と呼ばれる非教師付きポイントクラウド登録手法を提案する。まず、ポイントホップ++法を点点に当てはめ、点の局所的な表面特性に基づいて2点の正解点を見つけ、対応する正解点と整合して登録を行う。 SPA法の有効性は,ModelNet-40データセットから,見かけや見えないクラスやノイズの多い点群に対する実験によって実証される。
論文参考訳（メタデータ） (2020-09-02T18:40:37Z)
DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
論文参考訳（メタデータ） (2020-07-22T08:20:57Z)
Learning multiview 3D point cloud registration [74.39499501822682]
本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
論文参考訳（メタデータ） (2020-01-15T03:42:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。