論文の概要: Deep Hough Voting for Robust Global Registration

• arxiv url: http://arxiv.org/abs/2109.04310v1
• Date: Thu, 9 Sep 2021 14:38:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-10 20:16:19.221605
• Title: Deep Hough Voting for Robust Global Registration
• Title（参考訳）: 強固なグローバル登録のためのディープハフ投票
• Authors: Junha Lee, Seungwook Kim, Minsu Cho, Jaesik Park
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.40611370293272
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Point cloud registration is the task of estimating the rigid transformation that aligns a pair of point cloud fragments. We present an efficient and robust framework for pairwise registration of real-world 3D scans, leveraging Hough voting in the 6D transformation parameter space. First, deep geometric features are extracted from a point cloud pair to compute putative correspondences. We then construct a set of triplets of correspondences to cast votes on the 6D Hough space, representing the transformation parameters in sparse tensors. Next, a fully convolutional refinement module is applied to refine the noisy votes. Finally, we identify the consensus among the correspondences from the Hough space, which we use to predict our final transformation parameters. Our method outperforms state-of-the-art methods on 3DMatch and 3DLoMatch benchmarks while achieving comparable performance on KITTI odometry dataset. We further demonstrate the generalizability of our approach by setting a new state-of-the-art on ICL-NUIM dataset, where we integrate our module into a multi-way registration pipeline.
• Abstract（参考訳）: ポイントクラウド登録は、一対のポイントクラウドフラグメントを整列する厳密な変換を推定するタスクである。 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で堅牢なフレームワークを提案する。 まず、点雲対から深部幾何学的特徴を抽出し、仮定対応を計算する。 次に6次元ハフ空間上で投票を行うための対応の三重項の集合を構築し、スパーステンソルの変換パラメータを表す。 次に、騒々しい投票を洗練させるために完全な畳み込み改良モジュールを適用する。 最後に、最終的な変換パラメータを予測するために用いられるハフ空間からの対応間のコンセンサスを同定する。 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つつ,最先端の手法よりも優れている。 我々はさらに、ICL-NUIMデータセット上に新しい最先端の状態を設定し、モジュールをマルチウェイ登録パイプラインに統合することで、このアプローチの一般化可能性を示す。

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)
• 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)
• 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)
• REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
  我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。 本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。 提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T06:01:00Z)
• 3D Point Cloud Registration with Learning-based Matching Algorithm [14.417543289507543]
  本稿では,3次元点雲登録のための新しい差分マッチングアルゴリズムを提案する。 マッチングアルゴリズムのために特徴抽出器を最適化する代わりに,共同学習した特徴抽出器に最適化された学習ベースマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2022-02-04T14:27:09Z)
• COTReg:Coupled Optimal Transport based Point Cloud Registration [28.730827908402286]
  本稿では,3次元点雲登録の対応性を予測するための学習フレームワークCOTRegを提案する。 2つのマッチングをワッサーシュタイン距離ベースとグロモフ=ワッサーシュタイン距離ベース最適化に変換する。 我々の対応予測パイプラインは、FCGFのような学習ベースの機能やFPFHのような伝統的な記述子に簡単に統合できます。
  論文  参考訳（メタデータ） (2021-12-29T03:20:18Z)
• 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)
• 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)
• Deep Global Registration [90.05565444450524]
  Deep Global Registrationは、現実世界の3Dスキャンをペアで登録するための、差別化可能なフレームワークである。 我々の手法は、学習ベースと古典的両方の最先端の手法を実世界のデータで上回ります。
  論文  参考訳（メタデータ） (2020-04-24T05:47:32Z)

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。