論文の概要: Point Cloud Registration Based on Consistency Evaluation of Rigid Transformation in Parameter Space

• arxiv url: http://arxiv.org/abs/2011.05014v1
• Date: Tue, 10 Nov 2020 10:13:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 07:40:06.464917
• Title: Point Cloud Registration Based on Consistency Evaluation of Rigid Transformation in Parameter Space
• Title（参考訳）: パラメータ空間における剛性変換の一貫性評価に基づく点雲登録
• Authors: Masaki Yoshii, Ikuko Shimizu
• Abstract要約: 本稿では,高精度かつ安定した登録手法を提案する。 提案手法は,ポイントクラウドからキーポイントを検出し,複数のディスクリプタを用いてトリプレットを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We can use a method called registration to integrate some point clouds that represent the shape of the real world. In this paper, we propose highly accurate and stable registration method. Our method detects keypoints from point clouds and generates triplets using multiple descriptors. Furthermore, our method evaluates the consistency of rigid transformation parameters of each triplet with histograms and obtains the rigid transformation between the point clouds. In the experiment of this paper, our method had minimul errors and no major failures. As a result, we obtained sufficiently accurate and stable registration results compared to the comparative methods.
• Abstract（参考訳）: 登録と呼ばれる手法を使って、現実世界の形を表す点雲を統合することができる。 本稿では,高精度かつ安定した登録手法を提案する。 本手法はポイントクラウドからキーポイントを検出し,複数のディスクリプタを用いてトリプレットを生成する。 さらに,各三重項の剛性変換パラメータとヒストグラムとの整合性を評価し,点雲間の剛性変換を求める。 本論文の実験では,本手法は誤りを最小限に抑え,大きな故障は生じなかった。 その結果,比較手法と比較して十分な精度と安定した登録結果を得た。

関連論文リスト

• BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
  本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。 本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:58:10Z)
• 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)
• DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
  ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。 実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• 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)
• Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
  点雲登録のための正確な対応を抽出する問題について検討する。 最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。 本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
  論文  参考訳（メタデータ） (2022-02-14T13:26:09Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Deep Hough Voting for Robust Global Registration [52.40611370293272]
  6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。 提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-09T14:38:06Z)
• Pairwise Point Cloud Registration using Graph Matching and Rotation-invariant Features [8.897670503102342]
  回転不変特徴と新しい重み付きグラフマッチング法を併用した粒度対細登録戦略を開発した。 提案手法では, 回転誤差が0.2度未満, 翻訳誤差が0.1m未満の微細な登録が可能となる。
  論文  参考訳（メタデータ） (2021-05-05T16:03:05Z)
• Feature-metric Registration: A Fast Semi-supervised Approach for Robust Point Cloud Registration without Correspondences [8.636298281155602]
  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。
  論文  参考訳（メタデータ） (2020-05-03T07:26:59Z)

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。