論文の概要: Lepard: Learning partial point cloud matching in rigid and deformable scenes

• arxiv url: http://arxiv.org/abs/2111.12591v1
• Date: Wed, 24 Nov 2021 16:09:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 15:28:39.354804
• Title: Lepard: Learning partial point cloud matching in rigid and deformable scenes
• Title（参考訳）: lepard: 厳格で変形可能なシーンで部分点クラウドマッチングを学ぶ
• Authors: Yang Li and Tatsuya Harada
• Abstract要約: Lepardは、厳格で変形可能なシーンのための部分点クラウドマッチングのための学習ベースのアプローチである。 厳密な点のクラウドマッチングのために、Lepardは3DMatch / 3DLoMatchベンチマークに93.6% / 69.0%の登録リコールを新たに設定した。 変形可能な場合、Lepardは、新たに構築した4DMatch / 4DLoMatchベンチマークの以前の技術よりも、+27.1% / +34.8%高い非厳密な特徴マッチングリコールを達成した。
• 参考スコア（独自算出の注目度）: 73.45277809052928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Lepard, a Learning based approach for partial point cloud matching for rigid and deformable scenes. The key characteristic of Lepard is the following approaches that exploit 3D positional knowledge for point cloud matching: 1) An architecture that disentangles point cloud representation into feature space and 3D position space. 2) A position encoding method that explicitly reveals 3D relative distance information through the dot product of vectors. 3) A repositioning technique that modifies the cross-point-cloud relative positions. Ablation studies demonstrate the effectiveness of the above techniques. For rigid point cloud matching, Lepard sets a new state-of-the-art on the 3DMatch / 3DLoMatch benchmarks with 93.6% / 69.0% registration recall. In deformable cases, Lepard achieves +27.1% / +34.8% higher non-rigid feature matching recall than the prior art on our newly constructed 4DMatch / 4DLoMatch benchmark.
• Abstract（参考訳）: 厳密で変形可能なシーンに対する部分点クラウドマッチングのための学習ベースのアプローチであるLepardを提案する。 Lepardの主な特徴は、点雲マッチングのために3次元位置知識を利用する以下のアプローチである。 1) 点雲表現を特徴空間と3次元位置空間に切り離すアーキテクチャ。 2)ベクトルのドット積を通して3次元相対距離情報を明確に示す位置符号化手法。 3) クロスポイント-クラウド相対位置を変更する再配置手法。 アブレーション研究は上記の手法の有効性を示している。 厳密な点のクラウドマッチングのために、Lepardは3DMatch / 3DLoMatchベンチマークに93.6% / 69.0%の登録リコールを新たに設定した。 変形可能な場合、Lepardは、新たに構築した4DMatch / 4DLoMatchベンチマークの以前の技術よりも、+27.1% / +34.8%高い非厳密な特徴マッチングリコールを達成した。

関連論文リスト

• Zero-Shot Point Cloud Registration [94.39796531154303]
  ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。 ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。 3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
  論文  参考訳（メタデータ） (2023-12-05T11:33:16Z)
• 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)
• Learning Signed Distance Functions from Noisy 3D Point Clouds via Noise to Noise Mapping [52.25114448281418]
  3Dポイントクラウドから署名付き距離関数(SDF)を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真実管理を必要とせず,ノイズからノイズへのマッピングを通じてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高度に正確なSDFを、その多重または単一ノイズの点雲観測から推測することができる。
  論文  参考訳（メタデータ） (2023-06-02T09:52:04Z)
• LFM-3D: Learnable Feature Matching Across Wide Baselines Using 3D Signals [9.201550006194994]
  学習可能なマーカは、画像ペア間のコビジュアビリティの小さな領域だけが存在する場合、しばしば性能が低下する。 グラフニューラルネットワークに基づくモデルを用いた学習可能な特徴マッチングフレームワーク LFM-3D を提案する。 その結果,画像対の相対的ポーズ精度が向上し,画像対の相対的ポーズ精度が向上することがわかった。
  論文  参考訳（メタデータ） (2023-03-22T17:46:27Z)
• ImLoveNet: Misaligned Image-supported Registration Network for Low-overlap Point Cloud Pairs [14.377604289952188]
  対の点雲間の低オーバーラップ領域は、捕獲された特徴を非常に低信頼にする。 我々は,ImLoveNetと呼ばれる低オーバーラップ点雲対に対する画像対応登録ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-02T13:17:34Z)
• A Representation Separation Perspective to Correspondences-free Unsupervised 3D Point Cloud Registration [40.12490804387776]
  リモートセンシング分野における3Dポイントクラウドの登録は、ディープラーニングベースの手法によって大幅に進歩している。 表現分離の観点から,対応のない非教師なしポイントクラウド登録(UPCR)手法を提案する。 提案手法は, ポーズ不変表現の障害を除去するだけでなく, 部分対部分点の雲やノイズに対して頑健である。
  論文  参考訳（メタデータ） (2022-03-24T17:50:19Z)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)
• PREDATOR: Registration of 3D Point Clouds with Low Overlap [29.285040521765353]
  PreDATORは、重複する領域に深い注意を払って、ペアワイズポイントクラウド登録のモデルである。 低オーバーラップのシナリオでは、成功登録率を20%以上向上させる。 また、登録リコールが89%である3DMatchベンチマークの新たな状態も設定されている。
  論文  参考訳（メタデータ） (2020-11-25T20:25:03Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。