論文の概要: Correspondence-Free Point Cloud Registration with SO(3)-Equivariant
Implicit Shape Representations
- arxiv url: http://arxiv.org/abs/2107.10296v1
- Date: Wed, 21 Jul 2021 18:18:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 12:58:31.084630
- Title: Correspondence-Free Point Cloud Registration with SO(3)-Equivariant
Implicit Shape Representations
- Title（参考訳）: SO(3)-等変不等形状表現による対応自由点雲の登録
- Authors: Minghan Zhu, Maani Ghaffari, Huei Peng
- Abstract要約: 提案手法は,同変特徴学習と暗黙的形状モデルを組み合わせることで,3つの大きな利点を実現する。
その結果,既存の通信不要のディープ・レジストレーション法と比較して優れた性能を示した。
- 参考スコア（独自算出の注目度）: 12.343333815270402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a correspondence-free method for point cloud rotational
registration. We learn an embedding for each point cloud in a feature space
that preserves the SO(3)-equivariance property, enabled by recent developments
in equivariant neural networks. The proposed shape registration method achieves
three major advantages through combining equivariant feature learning with
implicit shape models. First, the necessity of data association is removed
because of the permutation-invariant property in network architectures similar
to PointNet. Second, the registration in feature space can be solved in
closed-form using Horn's method due to the SO(3)-equivariance property. Third,
the registration is robust to noise in the point cloud because of implicit
shape learning. The experimental results show superior performance compared
with existing correspondence-free deep registration methods.
- Abstract（参考訳）: 本稿では,点雲回転登録のための対応のない手法を提案する。
我々は,SO(3)-等分散性を保持する特徴空間における各点雲の埋め込みを学習し,近年の同変ニューラルネットワークの発展によって実現された。
提案手法は,同変特徴学習と暗黙的形状モデルを組み合わせた3つの長所を実現する。
まず、PointNetに似たネットワークアーキテクチャにおける置換不変性のため、データアソシエーションの必要性を除去する。
第二に、特徴空間の登録はSO(3)-等分散性によりホルン法を用いて閉形式で解くことができる。
第三に、登録は暗黙の形状学習のため、点雲のノイズに対して堅牢である。
実験の結果,既存の対応なし深層登録法と比較して優れた性能を示した。
関連論文リスト
- Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration [2.814748676983944]
局所球面ユークリッド3次元等分散特性をSE(3)メッセージパッシングに基づく伝搬により埋め込んだグラフニューラルネットワークモデルを提案する。
我々のモデルは、主に記述モジュール、同変グラフ層、類似性、最終的な回帰層から構成される。
3DMatchおよびKITTIデータセットで行った実験は、最先端のアプローチと比較して、我々のモデルの魅力的で堅牢な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T06:48:01Z) - 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) - 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) - E2PN: Efficient SE(3)-Equivariant Point Network [12.520265159777255]
本稿では,3次元点雲からSE(3)-等価特徴を学習するための畳み込み構造を提案する。
カーネルポイント畳み込み(カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、KPConv、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション
論文 参考訳（メタデータ） (2022-06-11T02:15:46Z) - SE(3)-Equivariant Attention Networks for Shape Reconstruction in
Function Space [50.14426188851305]
本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。
入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。
提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T17:59:15Z) - A Representation Separation Perspective to Correspondences-free
Unsupervised 3D Point Cloud Registration [40.12490804387776]
リモートセンシング分野における3Dポイントクラウドの登録は、ディープラーニングベースの手法によって大幅に進歩している。
表現分離の観点から,対応のない非教師なしポイントクラウド登録(UPCR)手法を提案する。
提案手法は, ポーズ不変表現の障害を除去するだけでなく, 部分対部分点の雲やノイズに対して頑健である。
論文 参考訳（メタデータ） (2022-03-24T17:50:19Z) - 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) - Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。
具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。
ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2021-07-06T12:52:22Z) - 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) - PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。
本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。
生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
論文 参考訳（メタデータ） (2020-03-30T10:34:59Z)
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。