Fugu-MT 論文翻訳(概要): SplitFusion: Simultaneous Tracking and Mapping for Non-Rigid Scenes

論文の概要: SplitFusion: Simultaneous Tracking and Mapping for Non-Rigid Scenes

arxiv url: http://arxiv.org/abs/2007.02108v1
Date: Sat, 4 Jul 2020 14:27:16 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 13:37:04.127655
Title: SplitFusion: Simultaneous Tracking and Mapping for Non-Rigid Scenes
Title（参考訳）: SplitFusion:非デジタルシーンの同時追跡とマッピング
Authors: Yang Li, Tianwei Zhang, Yoshihiko Nakamura and Tatsuya Harada
Abstract要約: SplitFusionは、シーンの厳密なコンポーネントと非厳密なコンポーネントの両方のトラッキングと再構築を同時に実行する、新しいフレームワークである。提案手法は, 正確な環境マップだけでなく, 移動する人間など, 十分に再構成された非剛体目標も提供できる。
参考スコア（独自算出の注目度）: 57.54878521977026
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present SplitFusion, a novel dense RGB-D SLAM framework that simultaneously performs tracking and dense reconstruction for both rigid and non-rigid components of the scene. SplitFusion first adopts deep learning based semantic instant segmentation technique to split the scene into rigid or non-rigid surfaces. The split surfaces are independently tracked via rigid or non-rigid ICP and reconstructed through incremental depth map fusion. Experimental results show that the proposed approach can provide not only accurate environment maps but also well-reconstructed non-rigid targets, e.g. the moving humans.
Abstract（参考訳）: 本研究では,シーンの剛性成分と非剛性成分の両方を同時に追跡および高密度再構成する,高密度rgb-dスラムフレームワークであるsplitfusionを提案する。 SplitFusionは、まずディープラーニングベースのセマンティックインスタントセグメンテーション技術を採用して、シーンを剛体または非剛体に分割する。分割面は、剛性または非剛性ICPを介して独立に追跡され、インクリメンタル深度マップ融合によって再構成される。実験結果から, 提案手法は環境マップの精度だけでなく, 移動する人間など, 十分に再構成された非剛体ターゲットも提供できることが示唆された。

関連論文リスト

SRFNet: Monocular Depth Estimation with Fine-grained Structure via Spatial Reliability-oriented Fusion of Frames and Events [5.800516204046145]
従来のフレームベースの手法は、ダイナミックレンジの制限と動きのぼかしによる性能低下に悩まされる。最近の研究は、新しいイベントカメラを活用して、フレームイベントの特徴融合を通じてフレームのモダリティを補完またはガイドしている。 SRFNetは、昼と夜の両方で微細な構造で深度を推定できる。
論文参考訳（メタデータ） (2023-09-22T12:59:39Z)
C2F2NeUS: Cascade Cost Frustum Fusion for High Fidelity and Generalizable Neural Surface Reconstruction [12.621233209149953]
本稿では,多視点ステレオとニューラルサイン付き距離関数表現を組み合わせた新しい統合手法を提案する。本手法は,ロバストな表面を再構成し,既存の最先端の手法より優れる。
論文参考訳（メタデータ） (2023-06-16T17:56:16Z)
Image Matching by Bare Homography [9.431261418370147]
本稿では、シーンを粗い局所的な重なり合う平面としてモデル化する、新しい非深度画像マッチングフレームワークであるSlimeを提案する。平面は互換性のあるマッチングによって相互に拡張され、画像は固定タイルに分割される。本稿では、エンドツーエンドのディープネットワークとハイブリッドパイプラインで表現される画像マッチングにおける最近の最先端画像の比較分析について述べる。
論文参考訳（メタデータ） (2023-05-15T18:35:47Z)
Clothes Grasping and Unfolding Based on RGB-D Semantic Segmentation [21.950751953721817]
セグメンテーションのための双方向フラクタルクロスフュージョンネットワーク(BiFCNet)を提案する。我々は、Fractal Cross FusionモジュールがRGBと深度データを融合するネットワークへの入力として、リッチな色特徴を持つRGB画像を使用する。実データ収集のコストを削減するため,敵対的戦略に基づくデータ拡張手法を提案する。
論文参考訳（メタデータ） (2023-05-05T03:21:55Z)
VolumeFusion: Deep Depth Fusion for 3D Scene Reconstruction [71.83308989022635]
本稿では、ディープニューラルネットワークを用いた従来の2段階フレームワークの複製により、解釈可能性と結果の精度が向上することを提唱する。ネットワークは,1)深部MVS技術を用いた局所深度マップの局所計算,2)深部マップと画像の特徴を融合させて単一のTSDFボリュームを構築する。異なる視点から取得した画像間のマッチング性能を改善するために,PosedConvと呼ばれる回転不変な3D畳み込みカーネルを導入する。
論文参考訳（メタデータ） (2021-08-19T11:33:58Z)
A Real-Time Online Learning Framework for Joint 3D Reconstruction and Semantic Segmentation of Indoor Scenes [87.74952229507096]
本稿では,屋内シーンの3次元構造とセマンティックラベルを協調的に復元するリアルタイムオンライン視覚フレームワークを提案する。列車時、ノイズの多い深度マップ、カメラ軌跡、および2Dセマンティックラベルを与えられたニューラルネットワークは、シーン空間に適切なセマンティックラベルでフレームの奥行きを融合させることを学習する。
論文参考訳（メタデータ） (2021-08-11T14:29:01Z)
Image Inpainting Guided by Coherence Priors of Semantics and Textures [62.92586889409379]
セマンティクスとテクスチャ間のコヒーレンスプリエンスを導入することにより、セマンティクス的な方法で別々のテクスチャを完成させることに集中できる。また,全体構造と詳細なテクスチャの観点から,セマンティクスとインペインテッドイメージの一貫性を制約する2つのコヒーレンス損失を提案する。
論文参考訳（メタデータ） (2020-12-15T02:59:37Z)
NeuralFusion: Online Depth Fusion in Latent Space [77.59420353185355]
潜在特徴空間における深度マップアグリゲーションを学習する新しいオンライン深度マップ融合手法を提案する。提案手法は,高騒音レベルを処理し,特に測光ステレオベース深度マップに共通する粗悪なアウトレージに対処できる。
論文参考訳（メタデータ） (2020-11-30T13:50:59Z)
RoutedFusion: Learning Real-time Depth Map Fusion [73.0378509030908]
深度マップ融合のための新しいリアルタイム能動機械学習手法を提案する。本稿では,通常の核融合エラーを考慮に入れた非線形更新を予測できるニューラルネットワークを提案する。本ネットワークは2次元深度ルーティングネットワークと3次元深度融合ネットワークから構成されており,センサ固有のノイズや外れ値の処理を効率的に行う。
論文参考訳（メタデータ） (2020-01-13T16:46:41Z)

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。