論文の概要: Accurate Point Cloud Registration with Robust Optimal Transport

• arxiv url: http://arxiv.org/abs/2111.00648v1
• Date: Mon, 1 Nov 2021 01:34:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-02 16:52:56.187841
• Title: Accurate Point Cloud Registration with Robust Optimal Transport
• Title（参考訳）: ロバスト最適輸送による正確な点雲登録
• Authors: Zhengyang Shen, Jean Feydy, Peirong Liu, Ariel Hern\'an Curiale, Ruben San Jose Estepar, Raul San Jose Estepar, Marc Niethammer
• Abstract要約: 近年のOTソルバは,ポイントクラウド登録のための最適化手法と深層学習法の両方を改善している。 我々の研究は、ロバストOTが幅広い登録モデルに対して高速な事前調整と微調整を可能にすることを示した。
• 参考スコア（独自算出の注目度）: 16.386335031156005
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This work investigates the use of robust optimal transport (OT) for shape matching. Specifically, we show that recent OT solvers improve both optimization-based and deep learning methods for point cloud registration, boosting accuracy at an affordable computational cost. This manuscript starts with a practical overview of modern OT theory. We then provide solutions to the main difficulties in using this framework for shape matching. Finally, we showcase the performance of transport-enhanced registration models on a wide range of challenging tasks: rigid registration for partial shapes; scene flow estimation on the Kitti dataset; and nonparametric registration of lung vascular trees between inspiration and expiration. Our OT-based methods achieve state-of-the-art results on Kitti and for the challenging lung registration task, both in terms of accuracy and scalability. We also release PVT1010, a new public dataset of 1,010 pairs of lung vascular trees with densely sampled points. This dataset provides a challenging use case for point cloud registration algorithms with highly complex shapes and deformations. Our work demonstrates that robust OT enables fast pre-alignment and fine-tuning for a wide range of registration models, thereby providing a new key method for the computer vision toolbox. Our code and dataset are available online at: https://github.com/uncbiag/robot.
• Abstract（参考訳）: 本研究は, 形状整合に対するロバスト最適輸送(OT)の利用について検討する。 具体的には、最近のOTソルバは、ポイントクラウド登録のための最適化と深層学習の両方を改良し、安価な計算コストで精度を高めていることを示す。 この写本は、現代のOT理論の実践的な概要から始まる。 次に、このフレームワークを形状マッチングに使用する際の主な困難に対する解決策を提供する。 最後に, 部分形状の剛性登録, キティデータセットのシーンフロー推定, インスピレーションと有効期限の間の肺血管木の非パラメトリック登録など, 幅広い課題に対する輸送強化登録モデルの性能について紹介する。 otベースの手法は,kittiと肺登録課題において,精度とスケーラビリティの両面で最先端の結果を得る。 PVT1010もリリースしました。これは、高濃度のサンプリング点を持つ1010対の肺血管樹のデータセットです。 このデータセットは、非常に複雑な形状と変形を持つポイントクラウド登録アルゴリズムの難しいユースケースを提供する。 我々の研究は、ロバストOTが幅広い登録モデルの高速な事前調整と微調整を可能にし、コンピュータビジョンツールボックスのための新しいキーメソッドを提供することを示した。 私たちのコードとデータセットは、https://github.com/uncbiag/robot.comからオンラインで利用できます。

関連論文リスト

• Benchmarking Classical and Learning-Based Multibeam Point Cloud Registration [4.919017078893727]
  水中領域では、マルチビームエコーソーダ(MBES)ポイントクラウドデータのほとんどの登録は古典的手法で行われている。 本研究では,2つの古典的手法と4つの学習的手法のパフォーマンスをベンチマークする。 我々の知る限りでは、AUVベースのMBESデータセット上で学習ベースと古典的登録方法の両方をベンチマークする最初の試みである。
  論文  参考訳（メタデータ） (2024-05-10T07:23:33Z)
• DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
  我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。 提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
  論文  参考訳（メタデータ） (2023-12-05T16:47:46Z)
• AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
  Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。 私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
  論文  参考訳（メタデータ） (2023-09-20T09:29:44Z)
• AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。 本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
  論文  参考訳（メタデータ） (2023-01-11T16:14:12Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Stress-Testing LiDAR Registration [52.24383388306149]
  本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。 おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
  論文  参考訳（メタデータ） (2022-04-16T05:10:55Z)
• Point Cloud Pre-training by Mixing and Disentangling [35.18101910728478]
  Mixing and Disentangling (MD)は、ポイントクラウド事前トレーニングのための自己教師付き学習アプローチである。 我々は,エンコーダ+我々の(MD)が,スクラッチから訓練したエンコーダを著しく上回り,迅速に収束することを示す。 この自己教師型学習によるポイントクラウドの試みが、大規模ラベル付きデータへの深い学習モデル依存を減らす道を開くことを願っている。
  論文  参考訳（メタデータ） (2021-09-01T15:52:18Z)
• FLOT: Scene Flow on Point Clouds Guided by Optimal Transport [82.86743909483312]
  本稿では,点雲上のシーンフローを推定するFLOT法を提案する。 グラフマッチングに関する最近の研究に触発されて、最適な輸送手段からツールを借りてこれらの対応を見つける方法を構築した。 私たちの主な発見は、FLOTは、合成および実世界のデータセット上で、最も優れた既存の方法と同様に、実行可能であることです。
  論文  参考訳（メタデータ） (2020-07-22T00:15:30Z)
• Tracking Performance of Online Stochastic Learners [57.14673504239551]
  オンラインアルゴリズムは、大規模なバッチにデータを保存したり処理したりすることなく、リアルタイムで更新を計算できるため、大規模な学習環境で人気がある。 一定のステップサイズを使用すると、これらのアルゴリズムはデータやモデル特性などの問題パラメータのドリフトに適応し、適切な精度で最適解を追跡する能力を持つ。 定常仮定に基づく定常状態性能とランダムウォークモデルによるオンライン学習者の追跡性能の関連性を確立する。
  論文  参考訳（メタデータ） (2020-04-04T14:16:27Z)
• StickyPillars: Robust and Efficient Feature Matching on Point Clouds using Graph Neural Networks [16.940377259203284]
  StickyPillarsは、ポイントクラウド上の高速で正確で、非常に堅牢な3D機能マッチング方法である。 KITTIデータセット上で実証された登録問題に対して,最先端技術による精度評価結果を示す。 我々はマッチングシステムをLiDARオドメトリーパイプラインに統合し、KITTIデータセット上で最も正確な結果を得る。
  論文  参考訳（メタデータ） (2020-02-10T17:53:41Z)

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。