論文の概要: PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency

• arxiv url: http://arxiv.org/abs/2103.05465v1
• Date: Tue, 9 Mar 2021 14:56:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-11 15:52:14.687689
• Title: PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency
• Title（参考訳）: PointDSC: 深部空間一貫性を用いたロバストポイントクラウド登録
• Authors: Xuyang Bai, Zixin Luo, Lei Zhou, Hongkai Chen, Lei Li, Zeyu Hu, Hongbo Fu, Chiew-Lan Tai
• Abstract要約: 本稿では,空間的整合性を明確に組み込んだ新しいディープニューラルネットワークであるPointDSCを提案する。 本手法は,いくつかの実世界のデータセットにおいて,最先端の手作りおよび学習に基づく異常者拒絶アプローチを上回っている。
• 参考スコア（独自算出の注目度）: 38.93610732090426
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Removing outlier correspondences is one of the critical steps for successful feature-based point cloud registration. Despite the increasing popularity of introducing deep learning methods in this field, spatial consistency, which is essentially established by a Euclidean transformation between point clouds, has received almost no individual attention in existing learning frameworks. In this paper, we present PointDSC, a novel deep neural network that explicitly incorporates spatial consistency for pruning outlier correspondences. First, we propose a nonlocal feature aggregation module, weighted by both feature and spatial coherence, for feature embedding of the input correspondences. Second, we formulate a differentiable spectral matching module, supervised by pairwise spatial compatibility, to estimate the inlier confidence of each correspondence from the embedded features. With modest computation cost, our method outperforms the state-of-the-art hand-crafted and learning-based outlier rejection approaches on several real-world datasets by a significant margin. We also show its wide applicability by combining PointDSC with different 3D local descriptors.
• Abstract（参考訳）: 外乱対応を取り除くことは、機能ベースのポイントクラウド登録を成功させるための重要なステップの1つである。 この分野では深層学習が普及しているにもかかわらず、点雲間のユークリッド変換によって本質的に確立された空間整合性は、既存の学習フレームワークでほとんど注目されていない。 本論文では,空間整合性を明示的に組み込んだ深層ニューラルネットワークであるPointDSCについて述べる。 まず,非局所的特徴集合モジュールを提案し,その特徴と空間的コヒーレンスを重み付けて,入力対応の特徴埋め込みを行う。 第二に、組込み特徴から各対応のインリエントな信頼性を推定するために、ペアワイズ空間互換性によって監視される微分可能なスペクトルマッチングモジュールを定式化する。 計算コストはささやかなため,本手法は実世界のいくつかのデータセットにおける最先端の手作りおよび学習に基づく異常な拒絶アプローチをかなりのマージンで上回っている。 また、PointDSCと異なる3Dローカルディスクリプタを組み合わせることで、その幅広い適用性を示す。

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)
• D3Former: Jointly Learning Repeatable Dense Detectors and Feature-enhanced Descriptors via Saliency-guided Transformer [14.056531181678467]
  我々は、リピータブルなtextbfDetector と機能強化された textbfDescriptors の合同学習を必要とする textitD3Former と呼ばれるサリエンシ誘導型 Transtextbfformer を導入する。 提案手法は,常に最先端のクラウドマッチング手法より優れている。
  論文  参考訳（メタデータ） (2023-12-20T12:19:17Z)
• PointCLM: A Contrastive Learning-based Framework for Multi-instance Point Cloud Registration [4.969636478156443]
  PointCLMは、ミュートリインスタンスポイントクラウド登録のための対照的な学習ベースのフレームワークである。 提案手法は, 合成データと実データの両方において, 最先端の手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-01T04:30:05Z)
• 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)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• 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)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。