論文の概要: Deep-3DAligner: Unsupervised 3D Point Set Registration Network With Optimizable Latent Vector

• arxiv url: http://arxiv.org/abs/2010.00321v1
• Date: Tue, 29 Sep 2020 22:44:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 06:46:33.021831
• Title: Deep-3DAligner: Unsupervised 3D Point Set Registration Network With Optimizable Latent Vector
• Title（参考訳）: Deep-3DAligner: 最適遅延ベクトルを用いた教師なし3Dポイントセット登録ネットワーク
• Authors: Lingjing Wang, Xiang Li, Yi Fang
• Abstract要約: 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。
• 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: Point cloud registration is the process of aligning a pair of point sets via searching for a geometric transformation. Unlike classical optimization-based methods, recent learning-based methods leverage the power of deep learning for registering a pair of point sets. In this paper, we propose to develop a novel model that organically integrates the optimization to learning, aiming to address the technical challenges in 3D registration. More specifically, in addition to the deep transformation decoding network, our framework introduce an optimizable deep \underline{S}patial \underline{C}orrelation \underline{R}epresentation (SCR) feature. The SCR feature and weights of the transformation decoder network are jointly updated towards the minimization of an unsupervised alignment loss. We further propose an adaptive Chamfer loss for aligning partial shapes. To verify the performance of our proposed method, we conducted extensive experiments on the ModelNet40 dataset. The results demonstrate that our method achieves significantly better performance than the previous state-of-the-art approaches in the full/partial point set registration task.
• Abstract（参考訳）: 点雲登録は、幾何変換を探索することで一対の点集合を整列する過程である。 古典的な最適化法とは異なり、最近の学習法は、一対の点集合を登録する深層学習の力を利用する。 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,学習への最適化を有機的に統合する新しいモデルを提案する。 具体的には、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Deep \underline{S}patial \underline{C}orrelation \underline{R}epresentation (SCR)機能を導入している。 トランスフォーメーションデコーダネットワークのSCR特性と重みを、教師なしアライメント損失の最小化に向けて共同で更新する。 さらに,部分形状の整列のための適応型チャンファー損失を提案する。 提案手法の性能を検証するため,modelnet40データセットについて広範な実験を行った。 その結果,本手法は,完全/部分点集合登録タスクにおいて,従来の最先端手法よりも大幅に性能が向上することを示した。

関連論文リスト

• Deep Loss Convexification for Learning Iterative Models [11.36644967267829]
  点雲登録のための反復的最近点(ICP)のような反復的手法は、しばしば悪い局所最適性に悩まされる。 我々は,各地真実の周囲に凸景観を形成する学習を提案する。
  論文  参考訳（メタデータ） (2024-11-16T01:13:04Z)
• Hierarchical Attention and Graph Neural Networks: Toward Drift-Free Pose Estimation [1.745925556687899]
  最もよく使われている3次元幾何登録法は、反復的なクローゼットポイントアルゴリズムである。 本稿では,階層型アテンション機構とグラフニューラルネットワークを用いた学習モデルを用いて,従来の幾何学的登録とポーズグラフ最適化を置き換えたフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T16:51:56Z)
• Large-scale Point Cloud Registration Based on Graph Matching Optimization [30.92028761652611]
  アンダーライン最適化に基づくアンダーライングラフアンダーラインマッチングを提案する。 提案手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-02-12T03:29:35Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• Riggable 3D Face Reconstruction via In-Network Optimization [58.016067611038046]
  本稿では,単眼画像からの3次元顔再構成法を提案する。 表情、ポーズ、照明を含む画像ごとのパーソナライズされた顔リグとパラメータを共同で推定する。 実験により,SOTA復元精度,ロバスト性,一般化能力が得られた。
  論文  参考訳（メタデータ） (2021-04-08T03:53:20Z)
• FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation [87.74617110803189]
  シーンフローとして知られるシーン内の点の3次元運動を推定することは、コンピュータビジョンにおける中核的な問題である。 本稿では,シーンフローの予測を洗練するための反復的アライメント手順の1ステップを学習する再帰的アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-19T23:23:48Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Unsupervised Learning of 3D Point Set Registration [15.900382629390297]
  点雲登録は、幾何変換を探索することで一対の点集合を整列する過程である。 本稿では,新たに導入された深部空間相関表現(SCR)機能に基づく,新しい教師なし登録フレームワークであるDeep-3DAlignerを提案する。 提案手法は,まずランダムに遅延するSCR特徴量を最適化し,次に幾何変換に復号し,ソースとターゲットの点集合を整列させる。
  論文  参考訳（メタデータ） (2020-06-11T05:21:38Z)
• Learning 3D-3D Correspondences for One-shot Partial-to-partial Registration [66.41922513553367]
  学習に基づく部分的対部分的な登録をワンショットで行うことができることを示す。 そこで本研究では,ビンの利用により閉塞点を考慮に入れた最適輸送層を提案する。 結果として得られるOPRNetフレームワークは、標準ベンチマークにおける最先端技術を上回っている。
  論文  参考訳（メタデータ） (2020-06-08T12:35:47Z)
• Joint Multi-Dimension Pruning via Numerical Gradient Update [120.59697866489668]
  本稿では,空間,深さ,チャネルの3つの重要な側面において,ネットワークを同時に切断する方法であるジョイント・マルチディメンジョン・プルーニング(ジョイント・プルーニング)を提案する。 本手法は,1つのエンドツーエンドトレーニングにおいて3次元にわたって協調的に最適化され,従来よりも効率がよいことを示す。
  論文  参考訳（メタデータ） (2020-05-18T17:57:09Z)
• MOPS-Net: A Matrix Optimization-driven Network forTask-Oriented 3D Point Cloud Downsampling [86.42733428762513]
  MOPS-Netは行列最適化のための新しい解釈可能な深層学習手法である。 我々はMOPS-Netが様々なタスクに対して最先端の深層学習手法に対して好適な性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-05-01T14:01:53Z)

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。