論文の概要: Unsupervised Partial Point Set Registration via Joint Shape Completion and Registration

• arxiv url: http://arxiv.org/abs/2009.05290v1
• Date: Fri, 11 Sep 2020 08:50:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-19 21:32:43.709178
• Title: Unsupervised Partial Point Set Registration via Joint Shape Completion and Registration
• Title（参考訳）: 関節形状完了と登録による教師なし部分点集合登録
• Authors: Xiang Li, Lingjing Wang, Yi Fang
• Abstract要約: 本稿では,部分点集合登録のための自己教師付き手法を提案する。 我々は,部分点集合登録と全点集合登録との間の性能ギャップを埋めるために,形状完備化ネットワークを利用する。 ModelNet40データセットの実験は、部分点集合登録におけるモデルの有効性を実証している。
• 参考スコア（独自算出の注目度）: 15.900382629390297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a self-supervised method for partial point set registration. While recent proposed learning-based methods have achieved impressive registration performance on the full shape observations, these methods mostly suffer from performance degradation when dealing with partial shapes. To bridge the performance gaps between partial point set registration with full point set registration, we proposed to incorporate a shape completion network to benefit the registration process. To achieve this, we design a latent code for each pair of shapes, which can be regarded as a geometric encoding of the target shape. By doing so, our model does need an explicit feature embedding network to learn the feature encodings. More importantly, both our shape completion network and the point set registration network take the shared latent codes as input, which are optimized along with the parameters of two decoder networks in the training process. Therefore, the point set registration process can thus benefit from the joint optimization process of latent codes, which are enforced to represent the information of full shape instead of partial ones. In the inference stage, we fix the network parameter and optimize the latent codes to get the optimal shape completion and registration results. Our proposed method is pure unsupervised and does not need any ground truth supervision. Experiments on the ModelNet40 dataset demonstrate the effectiveness of our model for partial point set registration.
• Abstract（参考訳）: 部分点集合登録のための自己教師付き手法を提案する。 近年提案された学習ベース手法は,全形状観測において印象的な登録性能を達成しているが,これらの手法は部分形状を扱う際の性能劣化に主に悩まされている。 部分点集合登録と全点集合登録との間の性能ギャップを埋めるため,形状完了ネットワークの導入を提案し,登録プロセスに便益を与える。 そこで我々は,対象形状の幾何学的符号化とみなすことのできる,各形状のペアに対する潜時符号を設計する。 そうすることで、我々のモデルは機能エンコーディングを学ぶために明示的な機能埋め込みネットワークが必要です。 さらに重要なことは、私たちの形状完了ネットワークとポイントセット登録ネットワークの両方が、トレーニングプロセスにおける2つのデコーダネットワークのパラメータとともに最適化された共有潜時符号を入力として取ります。 したがって、ポイントセット登録プロセスは、部分的なコードではなく完全な形状の情報を表現するために強制される潜在コードの統合最適化プロセスから恩恵を受けることができる。 推定段階では、ネットワークパラメータを修正し、最適な形状完了と登録結果を得るために潜在符号を最適化する。 提案手法は無監督であり,基礎的真理の監督は不要である。 ModelNet40データセットの実験は、部分点集合登録におけるモデルの有効性を示す。

関連論文リスト

• DBDNet:Partial-to-Partial Point Cloud Registration with Dual Branches Decoupling [15.382633946370978]
  本稿では,DBDNet と呼ばれる部分-部分的登録のための二枝分離による効果的な登録手法を提案する。 本稿では,特徴の明示的相互作用の利点を生かした重なりの予測器を提案する。 マルチ解像度特徴抽出ネットワークを設計し、局所パターンとグローバルパターンの両方をキャプチャし、重複予測と登録モジュールの両方を強化する。
  論文  参考訳（メタデータ） (2023-10-18T06:09:12Z)
• Point Set Self-Embedding [63.23565826873297]
  この研究は、高密度な点の情報を視覚的だが知覚不可能な形でスペーサーバージョンにエンコードする、点集合自己埋め込みの革新的な方法を示す。 自己埋め込みポイントセットは、通常のダウンサンプルとして機能し、モバイルデバイス上で効率的に視覚化することができる。 リモートサーバ上で詳細な分析を行うために,自己埋め込み情報を活用して,元のポイントセットを完全に復元する。
  論文  参考訳（メタデータ） (2022-02-28T07:03:33Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
  本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。 具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。 ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-06T12:52:22Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• 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)
• Cascaded Feature Warping Network for Unsupervised Medical Image Registration [11.052668687673998]
  我々は,細部まで粗い登録を行うために,カスケード特徴ウォーピングネットワークを事前に設定する。 共有重みエンコーダネットワークを採用し、不整合画像の特徴ピラミッドを生成する。 その結果,本手法は最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-15T08:50:06Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• Cascaded Refinement Network for Point Cloud Completion with Self-supervision [74.80746431691938]
  形状整形のための2分岐ネットワークを提案する。 第1分枝は、完全なオブジェクトを合成するためのカスケード形状補完サブネットワークである。 第2のブランチは、元の部分入力を再構築する自動エンコーダである。
  論文  参考訳（メタデータ） (2020-10-17T04:56:22Z)
• Deep-3DAligner: Unsupervised 3D Point Set Registration Network With Optimizable Latent Vector [15.900382629390297]
  本稿では,3次元登録における技術的課題に対処するために,学習に最適化を統合する新しいモデルを提案する。 ディープトランスフォーメーションデコーディングネットワークに加えて、我々のフレームワークは最適化可能なディープアンダーラインSpatial UnderlineCorrelation UnderlineRepresentationを導入している。
  論文  参考訳（メタデータ） (2020-09-29T22:44:38Z)

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。