論文の概要: Mapping of Sparse 3D Data using Alternating Projection

• arxiv url: http://arxiv.org/abs/2010.02516v2
• Date: Fri, 9 Oct 2020 18:22:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 04:07:21.403126
• Title: Mapping of Sparse 3D Data using Alternating Projection
• Title（参考訳）: 交互投影によるスパース3次元データのマッピング
• Authors: Siddhant Ranade, Xin Yu, Shantnu Kakkar, Pedro Miraldo, Srikumar Ramalingam
• Abstract要約: テクスチャがない場合にスパース3Dスキャンを登録する新しい手法を提案する。 KinectFusionのような既存の方法は、高密度の点雲に大きく依存している。 本稿では,交差制約と剛性制約の同時満足度として登録を定式化した2段階交互投影アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 35.735398244213584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel technique to register sparse 3D scans in the absence of texture. While existing methods such as KinectFusion or Iterative Closest Points (ICP) heavily rely on dense point clouds, this task is particularly challenging under sparse conditions without RGB data. Sparse texture-less data does not come with high-quality boundary signal, and this prohibits the use of correspondences from corners, junctions, or boundary lines. Moreover, in the case of sparse data, it is incorrect to assume that the same point will be captured in two consecutive scans. We take a different approach and first re-parameterize the point-cloud using a large number of line segments. In this re-parameterized data, there exists a large number of line intersection (and not correspondence) constraints that allow us to solve the registration task. We propose the use of a two-step alternating projection algorithm by formulating the registration as the simultaneous satisfaction of intersection and rigidity constraints. The proposed approach outperforms other top-scoring algorithms on both Kinect and LiDAR datasets. In Kinect, we can use 100X downsampled sparse data and still outperform competing methods operating on full-resolution data.
• Abstract（参考訳）: テクスチャなしでスパース3Dスキャンを登録するための新しい手法を提案する。 KinectFusion や Iterative Closest Points (ICP) のような既存の手法は、高密度の点雲に強く依存しているが、このタスクは、RGBデータのないスパース条件下では特に困難である。 スパーステクスチャレスデータは高品質な境界信号を持っておらず、コーナー、ジャンクション、境界線からの対応の使用を禁止している。 さらに、スパースデータの場合、2つの連続したスキャンで同じポイントがキャプチャされると仮定するのは誤りである。 異なるアプローチを採用し、まず多数のラインセグメントを使用してポイントクラウドを再パラメータ化します。 この再パラメータ化されたデータには、登録タスクの解決を可能にする多くのライン交叉(および対応しない)制約が存在します。 交差制約と剛性制約の同時満足度として登録を定式化した2段階交互投影アルゴリズムを提案する。 提案手法はkinectとlidarのデータセットで他のトップスコーリングアルゴリズムよりも優れている。 kinectでは、100倍のダウンサンプリングされたスパースデータを使用し、フルレゾリューションデータで動作する競合する方法よりも優れています。

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)
• DELFlow: Dense Efficient Learning of Scene Flow for Large-Scale Point Clouds [42.64433313672884]
  2次元グリッドに3次元座標を格納することで,原点を高密度フォーマットに正規化する。 既存の作業でよく使われるサンプリング操作とは異なり、密度の高い2D表現はほとんどの点を保存する。 また,情報損失問題を緩和する新しいワーププロジェクション手法を提案する。
  論文  参考訳（メタデータ） (2023-08-08T16:37:24Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• Graph R-CNN: Towards Accurate 3D Object Detection with Semantic-Decorated Local Graph [26.226885108862735]
  2段検出器は3次元物体検出で大いに人気を博している。 ほとんどの2段式3D検出器は、2段目のRoI特徴抽出にグリッドポイント、ボクセルグリッド、またはサンプルキーポイントを利用する。 本稿ではこの問題を3つの側面で解決する。
  論文  参考訳（メタデータ） (2022-08-07T02:56:56Z)
• Learning to Register Unbalanced Point Pairs [10.369750912567714]
  最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。 非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
  論文  参考訳（メタデータ） (2022-07-09T08:03:59Z)
• POCO: Point Convolution for Surface Reconstruction [92.22371813519003]
  入射ニューラルネットワークは点雲からの表面再構成に成功している。 それらの多くは、オブジェクトやシーン全体を1つの潜伏ベクトルにエンコードするときにスケーラビリティの問題に直面します。 本稿では,各入力点における点雲畳み込みと潜在ベクトルの計算を提案する。
  論文  参考訳（メタデータ） (2022-01-05T21:26:18Z)
• Towards Fine-grained 3D Face Dense Registration: An Optimal Dividing and Diffusing Method [17.38748022631488]
  3D&2D顔解析における3D面間のDense-to-vertex対応は基本的かつ困難な問題である。 本稿では,次元劣化問題,すなわち直線の比例分断による密度登録を再検討する。 我々は最終解に一意に到達するために反復分割拡散法を用いる。
  論文  参考訳（メタデータ） (2021-09-23T08:31:35Z)
• Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
  我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。 我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。 我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
  論文  参考訳（メタデータ） (2021-07-06T05:08:34Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)

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。