論文の概要: Feature-metric Registration: A Fast Semi-supervised Approach for Robust Point Cloud Registration without Correspondences

• arxiv url: http://arxiv.org/abs/2005.01014v1
• Date: Sun, 3 May 2020 07:26:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 06:40:26.501174
• Title: Feature-metric Registration: A Fast Semi-supervised Approach for Robust Point Cloud Registration without Correspondences
• Title（参考訳）: 特徴量登録:対応のないロバスト点クラウド登録のための高速半教師付きアプローチ
• Authors: Xiaoshui Huang, Guofeng Mei, Jian Zhang
• Abstract要約: 高速な特徴量ポイントクラウド登録フレームワークを提案する。 対応なしに特徴量プロジェクションエラーを最小限にすることで、登録の最適化を強制する。 提案手法を半教師なしあるいは教師なしの手法で訓練する。
• 参考スコア（独自算出の注目度）: 8.636298281155602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a fast feature-metric point cloud registration framework, which enforces the optimisation of registration by minimising a feature-metric projection error without correspondences. The advantage of the feature-metric projection error is robust to noise, outliers and density difference in contrast to the geometric projection error. Besides, minimising the feature-metric projection error does not need to search the correspondences so that the optimisation speed is fast. The principle behind the proposed method is that the feature difference is smallest if point clouds are aligned very well. We train the proposed method in a semi-supervised or unsupervised approach, which requires limited or no registration label data. Experiments demonstrate our method obtains higher accuracy and robustness than the state-of-the-art methods. Besides, experimental results show that the proposed method can handle significant noise and density difference, and solve both same-source and cross-source point cloud registration.
• Abstract（参考訳）: 本稿では,対応のない特徴量投影誤差を最小限に抑えて,高速な特徴量投影クラウド登録フレームワークを提案する。 特徴量投影誤差の利点は、幾何学的射影誤差とは対照的にノイズ、外れ値、密度差に頑健である。 また,特徴量予測誤差を最小化するためには,対応を探索する必要がなく,最適化速度が速い。 提案手法の背景にある原理は,点雲が十分に整列している場合,特徴差が最小となることである。 提案手法は,限定的あるいはまったく登録ラベルデータを必要としない半教師付きあるいは教師なしの手法で訓練する。 実験により,本手法は最先端手法よりも精度と堅牢性が高いことを示した。 さらに, 実験結果から, 提案手法はノイズと密度の差が大きく, 同一ソースとクロスソースの両方のクラウド登録を解くことができることがわかった。

関連論文リスト

• A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
  我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。 CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。 スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
  論文  参考訳（メタデータ） (2024-10-14T08:48:25Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• GraphReg: Dynamical Point Cloud Registration with Geometry-aware Graph Signal Processing [0.0]
  本研究では,3次元点雲登録のための高精度,効率的,物理的に誘導された手法を提案する。 我々は、粒子(点)の動きを制御し、より正確で頑健な登録を実現するために、幾何学を意識した剛体力学を探求する。 その結果,提案手法は精度において最先端の手法よりも優れており,大規模点雲の登録に適していることがわかった。
  論文  参考訳（メタデータ） (2023-02-02T14:06:46Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Distributed Sketching for Randomized Optimization: Exact Characterization, Concentration and Lower Bounds [54.51566432934556]
  我々はヘシアンの形成が困難である問題に対する分散最適化法を検討する。 ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
  論文  参考訳（メタデータ） (2022-03-18T05:49:13Z)
• A Robust Loss for Point Cloud Registration [31.033915476145047]
  表面登録の性能は、ソースとターゲット形状のアライメント誤差に使用されるメートル法に大きく依存する。 伝統的に、そのような計量は、原面上の点から目標表面上の最も近い点までの点対点距離または点対面距離に基づいている。 本稿では,2つの形状とランダムな直線との交点に基づく新しい計量法を提案するが,これは特定の対応を前提としない。
  論文  参考訳（メタデータ） (2021-08-26T09:56:47Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
  データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。 本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-04-09T01:45:05Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。