論文の概要: RAR: Region-Aware Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2110.03544v1
- Date: Thu, 7 Oct 2021 15:06:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-08 15:40:28.646999
- Title: RAR: Region-Aware Point Cloud Registration
- Title（参考訳）: RAR: リージョン対応のポイントクラウド登録
- Authors: Yu Hao, Yi Fang
- Abstract要約: ニューラルネットワークによってパラメータ化された暗黙のニューラルネットワーク領域表現で形成される新しい領域認識デコーダ(RAD)モジュールを開発する。
地域対応デコーダ(RAD)モジュールは、地域対応トランスフォーメーション(RAT)モジュールと地域対応重み(RAW)モジュールのトレーニングをガイドする。
実験の結果、RARは様々なベンチマークデータセットよりも優れた登録性能が得られることがわかった。
- 参考スコア（独自算出の注目度）: 12.048487830494107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper concerns the research problem of point cloud registration to find
the rigid transformation to optimally align the source point set with the
target one. Learning robust point cloud registration models with deep neural
networks has emerged as a powerful paradigm, offering promising performance in
predicting the global geometric transformation for a pair of point sets.
Existing methods firstly leverage an encoder to regress a latent shape
embedding, which is then decoded into a shape-conditioned transformation via
concatenation-based conditioning. However, different regions of a 3D shape vary
in their geometric structures which makes it more sense that we have a
region-conditioned transformation instead of the shape-conditioned one. In this
paper we present a \underline{R}egion-\underline{A}ware point cloud
\underline{R}egistration, denoted as RAR, to predict transformation for
pairwise point sets in the self-supervised learning fashion. More specifically,
we develop a novel region-aware decoder (RAD) module that is formed with an
implicit neural region representation parameterized by neural networks. The
implicit neural region representation is learned with a self-supervised 3D
shape reconstruction loss without the need for region labels. Consequently, the
region-aware decoder (RAD) module guides the training of the region-aware
transformation (RAT) module and region-aware weight (RAW) module, which predict
the transforms and weights for different regions respectively. The global
geometric transformation from source point set to target one is then formed by
the weighted fusion of region-aware transforms. Compared to the
state-of-the-art approaches, our experiments show that our RAR achieves
superior registration performance over various benchmark datasets (e.g.
ModelNet40).
- Abstract（参考訳）: 本稿では,ポイントクラウドの登録に関する研究課題を考察し,対象とするポイントセットを最適に整えるための厳格な変換を求める。
ディープニューラルネットワークを用いたロバストなポイントクラウド登録モデルの学習は、強力なパラダイムとして登場し、一対のポイントセットに対するグローバル幾何変換の予測に有望なパフォーマンスを提供する。
既存のメソッドは、まずエンコーダを利用して潜在形状埋め込みをレグレッションし、その後、結合ベースのコンディショニングによって形状条件付き変換にデコードする。
しかし、3次元形状の異なる領域は幾何学的構造が異なるため、形状条件の領域ではなく領域条件の変換がより合理的である。
本稿では、自己教師型学習方式におけるペアワイズ点集合の変換を予測するために、RAR(Rar)と表記されるShaunderline{R}egion-\underline{A}ware point cloud \underline{R}egistrationを提案する。
具体的には、ニューラルネットワークによってパラメータ化された暗黙のニューラルネットワーク領域表現で形成される新しい領域対応デコーダ(RAD)モジュールを開発する。
暗黙的ニューラル領域表現は、領域ラベルを必要とせず、自己教師付き3次元形状再構成損失で学習される。
これにより、地域対応デコーダ(RAD)モジュールは、地域対応トランスフォーメーション(RAT)モジュールと地域対応トランスフォーメーション(RAW)モジュールのトレーニングをガイドし、各領域のトランスフォーメーションと重みをそれぞれ予測する。
ソース点からターゲット点への大域的幾何学変換は、領域認識変換の重み付き融合によって形成される。
我々の実験は、最先端のアプローチと比較して、RARが様々なベンチマークデータセット(ModelNet40など)よりも優れた登録性能を達成することを示した。
関連論文リスト
- Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。
そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。
PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
論文 参考訳（メタデータ） (2024-07-26T06:29:09Z) - Learning SO(3)-Invariant Semantic Correspondence via Local Shape Transform [62.27337227010514]
RISTと呼ばれる局所形状変換を用いた自己教師型回転不変3次元対応学習システムを提案する。
RISTは、挑戦的なクラス内変分と任意の向きの下でも、形状間の密接な対応を確立することを学ぶ。
RISTは、任意の回転点雲対に与えられる3D部分ラベル転送とセマンティックキーポイント転送の最先端性能を示す。
論文 参考訳（メタデータ） (2024-04-17T08:09:25Z) - NeuSDFusion: A Spatial-Aware Generative Model for 3D Shape Completion, Reconstruction, and Generation [52.772319840580074]
3D形状生成は、特定の条件や制約に固執する革新的な3Dコンテンツを作成することを目的としている。
既存の方法は、しばしば3Dの形状を局所化されたコンポーネントの列に分解し、各要素を分離して扱う。
本研究では2次元平面表現を利用した空間認識型3次元形状生成フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-27T04:09:34Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳（メタデータ） (2021-12-14T13:14:24Z) - Learning to generate shape from global-local spectra [0.0]
我々は,この手法を,いわゆる形状-スペクトルパラダイムの最近の進歩の上に構築する。
我々は、スペクトルを自然なものとみなし、形状の多様性を符号化するために表現を使用する準備ができている。
提案手法は既存手法や代替手法と比較して改善された。
論文 参考訳（メタデータ） (2021-08-04T16:39:56Z) - Rotation-Invariant Local-to-Global Representation Learning for 3D Point
Cloud [42.86112554931754]
本稿では,3次元点クラウドデータに対する局所的-言語的表現学習アルゴリズムを提案する。
本モデルは,グラフ畳み込みニューラルネットワークに基づく多レベル抽象化を利用する。
提案アルゴリズムは,3次元物体の回転認識とセグメント化のベンチマークにおいて,最先端の性能を示す。
論文 参考訳（メタデータ） (2020-10-07T10:30:20Z) - Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。
局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。
本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文 参考訳（メタデータ） (2020-04-21T13:40:03Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳（メタデータ） (2020-03-16T14:04:45Z)
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。