論文の概要: IRON: Invariant-based Highly Robust Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2103.04357v1
- Date: Sun, 7 Mar 2021 13:46:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 01:01:08.716967
- Title: IRON: Invariant-based Highly Robust Point Cloud Registration
- Title（参考訳）: IRON:不変ベースの高ロバストポイントクラウド登録
- Authors: Lei Sun
- Abstract要約: 本稿では,多量の外れ値を持つ点クラウド登録のための非最小かつ高ロバストな解を提案する。
IRONは効率が高く,精度が高く,99%のアウトレーヤに対して堅牢であることを示す。
- 参考スコア（独自算出の注目度）: 6.8858952804978335
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In this paper, we present IRON (Invariant-based global Robust estimation and
OptimizatioN), a non-minimal and highly robust solution for point cloud
registration with a great number of outliers among the correspondences. To
realize this, we decouple the registration problem into the estimation of
scale, rotation and translation, respectively. Our first contribution is to
propose RANSIC (RANdom Samples with Invariant Compatibility), which employs the
invariant compatibility to seek inliers among random samples and robustly
estimates the scale between two sets of point clouds in the meantime. Once the
scale is estimated, our second contribution is to relax the non-convex global
registration problem into a convex Semi-Definite Program (SDP) in a certifiable
way using Sum-of-Squares (SOS) Relaxation and show that the relaxation is
tight. For robust estimation, we further propose RT-GNC (Rough Trimming and
Graduated Non-Convexity), a global outlier rejection heuristic having better
robustness and time-efficiency than traditional GNC, as our third contribution.
With these contributions, we can render our registration algorithm, IRON.
Through experiments over real datasets, we show that IRON is efficient, highly
accurate and robust against as many as 99% outliers whether the scale is known
or unknown, outperforming the existing state-of-the-art algorithms.
- Abstract（参考訳）: 本稿では,非最小かつ高ロバストなポイントクラウド登録法であるiron (invariant-based global robust estimation and optimization)を提案する。
これを実現するために、登録問題をそれぞれスケール、回転、翻訳の推定に分離します。
最初のコントリビューションは、ランダムなサンプル間のインリエリエンスを求めるために不変互換性を採用し、2つの点群間のスケールを堅牢に推定するRANSIC(RANdom Samples with Invariant Compatibility)を提案することです。
スケールを見積もると、第2の貢献は、SOS(Sum-of-Squares)緩和を用いて、非凸なグローバル登録問題をSDP(convex Semi-Definite Program)に緩和し、緩和がきついことを示すことである。
また、ロバストな推定のために、従来のGNCよりもロバスト性および時間効率のよいグローバルな外乱拒絶ヒューリスティックであるRT-GNC(Rough Trimming and Graduated Non-Convexity)を3番目の貢献として提案する。
これらの貢献により、登録アルゴリズム、ironをレンダリングできます。
実データセット上での実験を通じて,鉄は99%の異常値に対して効率的,高精度,堅牢であり,既存の最先端アルゴリズムを上回っていることを示した。
関連論文リスト
- Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。
WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文 参考訳（メタデータ） (2024-10-28T04:47:39Z) - AffineGlue: Joint Matching and Robust Estimation [74.04609046690913]
AffineGlue, 連立2視点特徴マッチングとロバストな推定法を提案する。
AffineGlueは、最小限のモデルを推定するために、1対多の対応から潜在的なマッチを選択する。
ガイドマッチングはモデルと一致した一致を見つけるために使用され、1対1の一致の曖昧さに悩まされる。
論文 参考訳（メタデータ） (2023-07-28T08:05:36Z) - GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。
我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。
GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文 参考訳（メタデータ） (2023-04-19T14:58:27Z) - RegFormer: An Efficient Projection-Aware Transformer Network for
Large-Scale Point Cloud Registration [73.69415797389195]
本稿では,大規模クラウドアライメントのためのエンドツーエンドトランス (RegFormer) ネットワークを提案する。
具体的には、プロジェクション対応階層変換器を提案し、長距離依存を捕捉し、外乱をフィルタする。
我々の変圧器は線形複雑であり、大規模シーンでも高い効率が保証される。
論文 参考訳（メタデータ） (2023-03-22T08:47:37Z) - Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。
本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
論文 参考訳（メタデータ） (2023-03-09T11:51:20Z) - 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) - Practical, Fast and Robust Point Cloud Registration for 3D Scene
Stitching and Object Localization [6.8858952804978335]
3Dポイントクラウドの登録は、リモートセンシング、フォトグラメトリー、ロボティクス、幾何学的コンピュータビジョンの基本的な問題である。
極端外れ率のポイントクラウド登録問題に対して,VOCRAという新しい高速かつ高堅牢なソリューションを提案する。
我々の解法VOCRAは99%以上の外れ値に対して堅牢であり、最先端の競合よりも時間効率が高いことを示す。
論文 参考訳（メタデータ） (2021-11-08T01:49:04Z) - DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud
Registration with High Outlier Ratios [6.8858952804978335]
対応ベースのポイントクラウドの登録は、コンピュータビジョン、ロボティクスの知覚、フォトグラム、リモートセンシングの基盤となっている。
現在の3Dキーポイントマッチング技術は、おそらく非常に多くの場合において、外れ値が得られる傾向にある。
本稿では, DANIEL という新しい時間効率RANSAC型コンセンサス解法を提案する。
論文 参考訳（メタデータ） (2021-10-11T08:27:00Z) - ICOS: Efficient and Highly Robust Point Cloud Registration with
Correspondences [6.8858952804978335]
ポイントクラウド登録は、ロボット工学とコンピュータビジョンの基本的な問題である。
本論文では,通信型ポイントクラウド登録問題に対する,新規で効率的かつ堅牢なソリューションであるICOSについて述べる。
論文 参考訳（メタデータ） (2021-04-30T05:41:53Z) - RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point
Cloud Registration using Invariant Compatibility [6.8858952804978335]
対応に基づく回転探索と点雲登録は、ロボット工学とコンピュータビジョンの基本的な問題である。
本稿では、乱数サンプリングと不変性と互換性を組み合わせた新しいパラダイムに基づいて、両問題に適用可能な高速かつ高堅牢なRANSICを提案する。
複数の合成実験と実実験では、RANSICが高速に使用でき、95%以上のアウトプライヤに対して堅牢であり、約100%のインプライヤをリコールすることができ、回転検索とポイントクラウド登録問題の両方で他の最先端のソルバーを上回ります。
論文 参考訳（メタデータ） (2021-04-19T08:29:34Z) - Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。
本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
論文 参考訳（メタデータ） (2020-04-09T01:45:05Z)
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。