論文の概要: 3DMNDT:3D multi-view registration method based on the normal distributions transform

• arxiv url: http://arxiv.org/abs/2103.11084v1
• Date: Sat, 20 Mar 2021 03:20:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 05:25:03.422177
• Title: 3DMNDT:3D multi-view registration method based on the normal distributions transform
• Title（参考訳）: 正規分布変換に基づく3DMNDT:3Dマルチビュー登録法
• Authors: Jihua Zhu and Di Wang and Jiaxi Mu and Huimin Lu and Zhiqiang Tian and Zhongyu Li
• Abstract要約: 本稿では,正規分布変換(3DMNDT)に基づく3Dマルチビュー登録法を提案する。 提案手法はK平均クラスタリングとリー代数ソルバを統合し,マルチビュー登録を実現する。 ベンチマークデータセットで実験を行った結果,提案手法がマルチビュー登録の最先端性能を達成できることが判明した。
• 参考スコア（独自算出の注目度）: 23.427473819499145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The normal distributions transform (NDT) is an effective paradigm for the point set registration. This method is originally designed for pair-wise registration and it will suffer from great challenges when applied to multi-view registration. Under the NDT framework, this paper proposes a novel multi-view registration method, named 3D multi-view registration based on the normal distributions transform (3DMNDT), which integrates the K-means clustering and Lie algebra solver to achieve multi-view registration. More specifically, the multi-view registration is cast into the problem of maximum likelihood estimation. Then, the K-means algorithm is utilized to divide all data points into different clusters, where a normal distribution is computed to locally models the probability of measuring a data point in each cluster. Subsequently, the registration problem is formulated by the NDT-based likelihood function. To maximize this likelihood function, the Lie algebra solver is developed to sequentially optimize each rigid transformation. The proposed method alternately implements data point clustering, NDT computing, and likelihood maximization until desired registration results are obtained. Experimental results tested on benchmark data sets illustrate that the proposed method can achieve state-of-the-art performance for multi-view registration.
• Abstract（参考訳）: 正規分布変換(NDT)は点集合登録に有効なパラダイムである。 この方法はもともとペア登録のために設計されており、マルチビュー登録に適用すると大きな困難に直面する。 NDTフレームワークでは,正規分布変換(DMNDT)に基づく3次元マルチビュー登録法を提案し,K平均クラスタリングとリー代数ソルバを統合し,マルチビュー登録を実現する。 より具体的には、マルチビュー登録は最大確率推定の問題にキャストされる。 そして、k-meansアルゴリズムを用いて、すべてのデータポイントを異なるクラスタに分割し、正規分布を計算し、各クラスタ内のデータポイントを測定する確率を局所的にモデル化する。 その後、NDTに基づく確率関数により登録問題を定式化する。 この度数関数を最大化するために、各剛変換を順次最適化するリー代数ソルバを開発した。 提案手法は,所望の登録結果が得られるまでデータポイントクラスタリング,ndt計算,ラピッド最大化を交互に実装する。 ベンチマークデータセットで実験を行った結果,提案手法がマルチビュー登録の最先端性能を達成できることが判明した。

関連論文リスト

• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• 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)
• Probabilistic Registration for Gaussian Process 3D shape modelling in the presence of extensive missing data [63.8376359764052]
  本稿では,ガウス過程の定式化に基づく形状適合/登録手法を提案する。 様々な変換を持つ2次元の小さなデータセットと耳の3次元データセットの両方で実験が行われる。
  論文  参考訳（メタデータ） (2022-03-26T16:48:27Z)
• GiNGR: Generalized Iterative Non-Rigid Point Cloud and Surface Registration Using Gaussian Process Regression [7.072699623549853]
  GiNGRはGaussian Process Morphable Models (GPMM)上に構築されている 我々は、GPRがターゲットに基準をワープし、密度、スパース、または部分的な推定された対応に対して、事前に追従した滑らかな変形をもたらすことを示す。 GiNGRフレームワークの既存のアルゴリズムが確率的登録を行い、異なる登録の分布を得る方法を示す。
  論文  参考訳（メタデータ） (2022-03-18T14:23:49Z)
• Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D Edge Alignment [85.32080531133799]
  本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。 エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。 3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
  論文  参考訳（メタデータ） (2020-12-15T11:42:17Z)
• Effective multi-view registration of point sets based on student's t mixture model [15.441928157356477]
  本稿では,学生のt混合モデル(StMM)に基づく効果的な登録手法を提案する。 NNサーチ法により全てのt分布セントロイドが得られるため、マルチビュー登録を実現するのがより効率的である。 実験結果は,最先端手法よりも優れた性能と精度を示す。
  論文  参考訳（メタデータ） (2020-12-13T08:27:29Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Registration of multi-view point sets under the perspective of expectation-maximization [31.028202531810386]
  我々は、期待最大化(EM)の観点から、新しい多視点登録手法を提案する。 提案手法は、いくつかのベンチマークデータセットでテストされ、最先端のアルゴリズムと比較される。
  論文  参考訳（メタデータ） (2020-02-18T10:04:51Z)
• TCM-ICP: Transformation Compatibility Measure for Registering Multiple LIDAR Scans [4.5412347600435465]
  本稿では,複数重複するLiDARスキャンを登録するアルゴリズムを提案する。 本研究では,TCM(Transform Compatibility Measure)と呼ばれる幾何学的指標を導入する。 提案手法を実世界の4つの場面で評価し,実験結果から,提案手法の登録性能が従来の登録方式と同等か優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-04T21:05:27Z)

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。