論文の概要: PICCOLO: Point Cloud-Centric Omnidirectional Localization

• arxiv url: http://arxiv.org/abs/2108.06545v3
• Date: Fri, 2 Feb 2024 05:13:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-05 21:00:57.490546
• Title: PICCOLO: Point Cloud-Centric Omnidirectional Localization
• Title（参考訳）: PICCOLO: ポイントクラウド中心のOmnidirectional Localization
• Authors: Junho Kim, Changwoon Choi, Hojun Jang, and Young Min Kim
• Abstract要約: 一方向局所化のための単純かつ効率的なアルゴリズムであるPICCOLOを提案する。 私たちのパイプラインは、クエリとして与えられた単一のイメージで、既定の方法で動作します。 PICCOLOは、様々な環境で評価された場合、既存の全方位ローカライゼーションアルゴリズムよりも精度と安定性が優れている。
• 参考スコア（独自算出の注目度）: 20.567452635590943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present PICCOLO, a simple and efficient algorithm for omnidirectional localization. Given a colored point cloud and a 360 panorama image of a scene, our objective is to recover the camera pose at which the panorama image is taken. Our pipeline works in an off-the-shelf manner with a single image given as a query and does not require any training of neural networks or collecting ground-truth poses of images. Instead, we match each point cloud color to the holistic view of the panorama image with gradient-descent optimization to find the camera pose. Our loss function, called sampling loss, is point cloud-centric, evaluated at the projected location of every point in the point cloud. In contrast, conventional photometric loss is image-centric, comparing colors at each pixel location. With a simple change in the compared entities, sampling loss effectively overcomes the severe visual distortion of omnidirectional images, and enjoys the global context of the 360 view to handle challenging scenarios for visual localization. PICCOLO outperforms existing omnidirectional localization algorithms in both accuracy and stability when evaluated in various environments. Code is available at \url{https://github.com/82magnolia/panoramic-localization/}.
• Abstract（参考訳）: 一方向局所化のための単純かつ効率的なアルゴリズムであるPICCOLOを提案する。 カラーの点雲とシーンの360パノラマ画像が与えられた場合、パノラマ画像が撮影されるカメラのポーズを復元することが目的である。 私たちのパイプラインは、クエリとして与えられた単一のイメージで、オフザシェルフで動作し、ニューラルネットワークのトレーニングや、画像の地味なポーズの収集は必要ありません。 代わりに、各点雲の色をパノラマ画像の全体像と一致させ、グラデーション・ディッセント最適化を行い、カメラのポーズを見つける。 我々の損失関数はサンプリング損失と呼ばれ、点クラウド内の全ての点の投影された位置で評価される点クラウド中心である。 対照的に、従来の測光損失は画像中心であり、各画素位置の色を比較する。 比較対象の単純な変更により、サンプリング損失は全方位画像の激しい視覚歪みを効果的に克服し、360度ビューのグローバルなコンテキストを享受し、視覚的ローカライゼーションの困難なシナリオに対処する。 PICCOLOは、様々な環境で評価された場合、既存の全方位ローカライゼーションアルゴリズムよりも精度と安定性が優れている。 コードは \url{https://github.com/82magnolia/panoramic-localization/} で入手できる。

関連論文リスト

• OmniColor: A Global Camera Pose Optimization Approach of LiDAR-360Camera Fusion for Colorizing Point Clouds [15.11376768491973]
  単純で効率的な3D表現としてのカラーポイントクラウドは、様々な分野において多くの利点がある。 本稿では,独立系360度カメラを用いて点雲をカラー化するための,新規で効率的なアルゴリズムであるOmniColorを提案する。
  論文  参考訳（メタデータ） (2024-04-06T17:41:36Z)
• Deep Single Image Camera Calibration by Heatmap Regression to Recover Fisheye Images Under Manhattan World Assumption [9.018416031676136]
  立方体建物に沿って横たわるマンハッタンの世界は、カメラの角度推定に役立ちます。 ラベル付き画像座標の向きを検出するために,熱マップ回帰を用いた学習に基づく校正手法を提案する。 提案手法は,大規模データセットやオフザシェルフカメラにおいて,従来の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-03-30T05:57:59Z)
• MeshLoc: Mesh-Based Visual Localization [54.731309449883284]
  シーン表現を構築するために,データベースイメージ間のマッチング機能を必要としない,高密度な3Dメッシュに基づく,より柔軟な代替手段を模索する。 驚くべきことに、ニューラルネットワークのレンダリングステージなしで、これらのメッシュのレンダリングの特徴を抽出するときに、競合的な結果が得られる。 以上の結果から,高密度な3次元モデルに基づく表現は,既存の表現の代替として有望なものであり,今後の研究にとって興味深い,挑戦的な方向性を示すものと考えられる。
  論文  参考訳（メタデータ） (2022-07-21T21:21:10Z)
• CPO: Change Robust Panorama to Point Cloud Localization [20.567452635590946]
  CPOは2次元パノラマを局所化するロバストなアルゴリズムである。 CPOは軽量で、すべてのテストシナリオで効果的なローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2022-07-12T05:10:32Z)
• ADOP: Approximate Differentiable One-Pixel Point Rendering [7.69748487650283]
  本稿では,シーンリファインメントと新しいビュー合成のための点ベース,微分可能なニューラルレンダリングパイプラインを提案する。 我々は,既存のアプローチよりもシャープで一貫した新しいビューを合成できることを実証した。
  論文  参考訳（メタデータ） (2021-10-13T10:55:39Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• How Privacy-Preserving are Line Clouds? Recovering Scene Details from 3D Lines [49.06411148698547]
  本稿では,3次元シーン形状に関する情報がライン雲に保存されていることを示す。 我々のアプローチは、直線間の最接近点が元の3d点に良い近似をもたらすという観測に基づいている。
  論文  参考訳（メタデータ） (2021-03-08T21:32:43Z)
• Robust Place Recognition using an Imaging Lidar [45.37172889338924]
  本研究では,画像lidarを用いたロバストなリアルタイム位置認識手法を提案する。 本手法は真不変であり,逆再訪と逆逆再訪に対処できる。
  論文  参考訳（メタデータ） (2021-03-03T01:08:31Z)
• Inter-Image Communication for Weakly Supervised Localization [77.2171924626778]
  弱教師付きローカライゼーションは、画像レベルの監督のみを使用して対象対象領域を見つけることを目的としている。 我々は,より正確な物体位置を学習するために,異なる物体間の画素レベルの類似性を活用することを提案する。 ILSVRC検証セット上でトップ1のローカライズ誤差率45.17%を達成する。
  論文  参考訳（メタデータ） (2020-08-12T04:14:11Z)
• Perspective Plane Program Induction from a Single Image [85.28956922100305]
  本研究では,自然画像の全体像を推定する逆グラフ問題について検討する。 我々は、この問題を、入力画像の最もよく記述されたカメラポーズとシーン構造を共同で発見するものとして定式化する。 提案するフレームワークであるP3Iは,探索に基づくアルゴリズムと勾配に基づくアルゴリズムを組み合わせて効率よく問題を解く。
  論文  参考訳（メタデータ） (2020-06-25T21:18:58Z)
• Multi-View Optimization of Local Feature Geometry [70.18863787469805]
  本研究では,複数視点からの局所像の特徴の幾何を,未知のシーンやカメラの幾何を伴わずに精査する問題に対処する。 提案手法は,従来の特徴抽出とマッチングのパラダイムを自然に補完する。 本手法は,手作りと学習の両方の局所的特徴に対して,三角測量とカメラのローカライゼーション性能を常に向上することを示す。
  論文  参考訳（メタデータ） (2020-03-18T17:22:11Z)

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。