論文の概要: GenReg: Deep Generative Method for Fast Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2111.11783v1
- Date: Tue, 23 Nov 2021 10:52:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 15:26:07.089769
- Title: GenReg: Deep Generative Method for Fast Point Cloud Registration
- Title（参考訳）: GenReg: 高速クラウド登録のための深層生成方法
- Authors: Xiaoshui Huang, Zongyi Xu, Guofeng Mei, Sheng Li, Jian Zhang, Yifan
Zuo, Yucheng Wang
- Abstract要約: 我々は,クラウド登録をポイントとする深層生成ニューラルネットワークを探索し,新しいデータ駆動型登録アルゴリズムを提案する。
ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
- 参考スコア（独自算出の注目度）: 18.66568286698704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and efficient point cloud registration is a challenge because the
noise and a large number of points impact the correspondence search. This
challenge is still a remaining research problem since most of the existing
methods rely on correspondence search. To solve this challenge, we propose a
new data-driven registration algorithm by investigating deep generative neural
networks to point cloud registration. Given two point clouds, the motivation is
to generate the aligned point clouds directly, which is very useful in many
applications like 3D matching and search. We design an end-to-end generative
neural network for aligned point clouds generation to achieve this motivation,
containing three novel components. Firstly, a point multi-perception layer
(MLP) mixer (PointMixer) network is proposed to efficiently maintain both the
global and local structure information at multiple levels from the self point
clouds. Secondly, a feature interaction module is proposed to fuse information
from cross point clouds. Thirdly, a parallel and differential sample consensus
method is proposed to calculate the transformation matrix of the input point
clouds based on the generated registration results. The proposed generative
neural network is trained in a GAN framework by maintaining the data
distribution and structure similarity. The experiments on both ModelNet40 and
7Scene datasets demonstrate that the proposed algorithm achieves
state-of-the-art accuracy and efficiency. Notably, our method reduces $2\times$
in registration error (CD) and $12\times$ running time compared to the
state-of-the-art correspondence-based algorithm.
- Abstract（参考訳）: ノイズや大量のポイントが対応検索に影響を与えるため、正確で効率的なポイントクラウド登録は課題である。
既存の手法のほとんどが対応検索に依存しているため、この課題は依然として研究課題である。
この課題を解決するために,深層生成型ニューラルネットワークを用いてクラウド登録を行う新しいデータ駆動型登録アルゴリズムを提案する。
2点のクラウドが与えられたとき、モチベーションは整列点のクラウドを直接生成することであり、これは3Dマッチングや検索のような多くのアプリケーションで非常に有用である。
我々は3つの新しいコンポーネントを含むこのモチベーションを達成するために、整列点雲生成のためのエンドツーエンド生成ニューラルネットワークを設計する。
まず,マルチパーセプション層(MLP)ミキサ(PointMixer)ネットワークを提案する。
次に,クロスポイントクラウドからの情報を融合する機能インタラクションモジュールを提案する。
第3に, 生成した登録結果に基づいて入力点雲の変換行列を計算するために, 並列および微分サンプルコンセンサス法を提案する。
提案する生成ニューラルネットワークは、データ分布と構造類似性を維持してganフレームワークでトレーニングされる。
ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
特に,本手法は,最新の対応型アルゴリズムと比較して,登録誤差(CD)が2ドル,動作時間が12ドルである。
関連論文リスト
- Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。
現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。
我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
論文 参考訳（メタデータ） (2023-07-27T03:42:12Z) - RDMNet: Reliable Dense Matching Based Point Cloud Registration for
Autonomous Driving [15.26754768427011]
本稿では, RDMNet という新しいネットワークを提案する。
提案手法は, 高い一般化能力を有する全試験データセットにおいて, 既存の最先端手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2023-03-31T14:22:32Z) - 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) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳（メタデータ） (2022-03-16T09:20:01Z) - Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。
これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。
本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
論文 参考訳（メタデータ） (2021-12-18T12:39:05Z) - A Conditional Point Diffusion-Refinement Paradigm for 3D Point Cloud
Completion [69.32451612060214]
実スキャンされた3Dポイントクラウドはしばしば不完全であり、下流アプリケーションのために完全なポイントクラウドを復元することが重要である。
ほとんどの既存のポイントクラウド補完方法は、トレーニングにチャンファー距離(CD)損失を使用する。
本稿では,点雲完了のためのPDR(Point Diffusion-Refinement)パラダイムを提案する。
論文 参考訳（メタデータ） (2021-12-07T06:59:06Z) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳（メタデータ） (2021-07-06T05:08:34Z) - Robust Point Cloud Registration Framework Based on Deep Graph Matching [5.865029600972316]
3Dポイントクラウド登録は、コンピュータビジョンとロボティクスにおける基本的な問題です。
点群登録のための深層グラフマッチングに基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-07T04:20:29Z) - End-to-End 3D Point Cloud Learning for Registration Task Using Virtual
Correspondences [17.70819292121181]
3Dポイントのクラウド登録は、2つのポイントのクラウド間の厳密な変換を見つけるのが難しいため、依然として非常に難しいトピックである。
本稿では,ポイントクラウド登録問題を解決するために,エンドツーエンドのディープラーニングに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2020-11-30T06:55:05Z) - Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。
従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。
本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-10-08T22:01:23Z) - DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point
Cloud Registration [12.471564670462344]
この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。
重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。
提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
論文 参考訳（メタデータ） (2020-07-22T08:20:57Z)
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。