論文の概要: PREDATOR: Registration of 3D Point Clouds with Low Overlap

• arxiv url: http://arxiv.org/abs/2011.13005v3
• Date: Fri, 6 Aug 2021 13:42:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 03:40:09.444049
• Title: PREDATOR: Registration of 3D Point Clouds with Low Overlap
• Title（参考訳）: PredaTOR: オーバーラップの少ない3Dポイントクラウドの登録
• Authors: Shengyu Huang, Zan Gojcic, Mikhail Usvyatsov, Andreas Wieser, Konrad Schindler
• Abstract要約: PreDATORは、重複する領域に深い注意を払って、ペアワイズポイントクラウド登録のモデルである。 低オーバーラップのシナリオでは、成功登録率を20%以上向上させる。 また、登録リコールが89%である3DMatchベンチマークの新たな状態も設定されている。
• 参考スコア（独自算出の注目度）: 29.285040521765353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce PREDATOR, a model for pairwise point-cloud registration with deep attention to the overlap region. Different from previous work, our model is specifically designed to handle (also) point-cloud pairs with low overlap. Its key novelty is an overlap-attention block for early information exchange between the latent encodings of the two point clouds. In this way the subsequent decoding of the latent representations into per-point features is conditioned on the respective other point cloud, and thus can predict which points are not only salient, but also lie in the overlap region between the two point clouds. The ability to focus on points that are relevant for matching greatly improves performance: PREDATOR raises the rate of successful registrations by more than 20% in the low-overlap scenario, and also sets a new state of the art for the 3DMatch benchmark with 89% registration recall.
• Abstract（参考訳）: 我々は,重なり領域に深く注意を向けた,ペアワイズポイントクラウド登録モデルであるprefeerを紹介する。 これまでの作業とは違って,私たちのモデルは,オーバーラップの少ない(あるいは)ポイントクラウドペアを処理するように特別に設計されています。 その重要な特徴は、2点雲の潜在エンコーディング間での初期情報交換のための重複注意ブロックである。 このようにして、後続の潜在表現を各他方の点クラウド上で点ごとにデコードすることで、どの点が有望であるかを予測できるだけでなく、2つの点クラウド間の重なり領域にも位置する。 プレデターは、低オーバーラップシナリオにおいて、成功した登録率を20%以上増加させ、また89%の登録リコールを持つ3dmatchベンチマークの新たな最先端を設定する。

関連論文リスト

• Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
  ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。 この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。 我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。 点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
  論文  参考訳（メタデータ） (2025-02-12T10:44:36Z)
• P2P-Bridge: Diffusion Bridges for 3D Point Cloud Denoising [81.92854168911704]
  私たちは、Diffusion Schr"odingerブリッジをポイントクラウドに適応させる新しいフレームワークを通じて、ポイントクラウドを飾るタスクに取り組みます。 オブジェクトデータセットの実験では、P2P-Bridgeは既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-08-29T08:00:07Z)
• ZeroReg: Zero-Shot Point Cloud Registration with Foundation Models [77.84408427496025]
  最先端の3Dポイントクラウド登録方法は、トレーニングのためにラベル付き3Dデータセットに依存している。 我々は2次元基礎モデルを用いて3次元対応を予測するゼロショット登録手法であるZeroRegを紹介する。
  論文  参考訳（メタデータ） (2023-12-05T11:33:16Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• A Unified BEV Model for Joint Learning of 3D Local Features and Overlap Estimation [12.499361832561634]
  本稿では,3次元局所特徴の同時学習と重なり推定のための統合鳥眼ビュー(BEV)モデルを提案する。 提案手法は,特に重複の少ないシーンにおいて,重複予測における既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-28T12:01:16Z)
• ImLoveNet: Misaligned Image-supported Registration Network for Low-overlap Point Cloud Pairs [14.377604289952188]
  対の点雲間の低オーバーラップ領域は、捕獲された特徴を非常に低信頼にする。 我々は,ImLoveNetと呼ばれる低オーバーラップ点雲対に対する画像対応登録ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-02T13:17:34Z)
• PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
  ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。 そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。 提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
  論文  参考訳（メタデータ） (2022-03-16T09:20:01Z)
• Lepard: Learning partial point cloud matching in rigid and deformable scenes [73.45277809052928]
  Lepardは、厳格で変形可能なシーンのための部分点クラウドマッチングのための学習ベースのアプローチである。 厳密な点のクラウドマッチングのために、Lepardは3DMatch / 3DLoMatchベンチマークに93.6% / 69.0%の登録リコールを新たに設定した。 変形可能な場合、Lepardは、新たに構築した4DMatch / 4DLoMatchベンチマークの以前の技術よりも、+27.1% / +34.8%高い非厳密な特徴マッチングリコールを達成した。
  論文  参考訳（メタデータ） (2021-11-24T16:09:29Z)
• CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration [35.57761839361479]
  CoFiNet (Coarse-to-Fine Network) - キーポイント検出なしで、粗から細まで階層的な対応を抽出する。 我々のモデルは、近傍の点が重なり合うダウンサンプリングノードと一致することを学習する。 点対応は、密度適応マッチングモジュールによって対応するパッチの重複領域から洗練される。
  論文  参考訳（メタデータ） (2021-10-26T23:05:00Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)

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。