論文の概要: Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization
- arxiv url: http://arxiv.org/abs/2111.12878v1
- Date: Thu, 25 Nov 2021 02:37:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-05 00:48:48.974665
- Title: Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization
- Title(参考訳): 学習関数型マップ同期によるマルチウェイ非剛点クラウド登録
- Authors: Jiahui Huang, Tolga Birdal, Zan Gojcic, Leonidas J. Guibas, Shi-Min Hu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 105.14877281665011
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present SyNoRiM, a novel way to jointly register multiple non-rigid shapes
by synchronizing the maps relating learned functions defined on the point
clouds. Even though the ability to process non-rigid shapes is critical in
various applications ranging from computer animation to 3D digitization, the
literature still lacks a robust and flexible framework to match and align a
collection of real, noisy scans observed under occlusions. Given a set of such
point clouds, our method first computes the pairwise correspondences
parameterized via functional maps. We simultaneously learn potentially
non-orthogonal basis functions to effectively regularize the deformations,
while handling the occlusions in an elegant way. To maximally benefit from the
multi-way information provided by the inferred pairwise deformation fields, we
synchronize the pairwise functional maps into a cycle-consistent whole thanks
to our novel and principled optimization formulation. We demonstrate via
extensive experiments that our method achieves a state-of-the-art performance
in registration accuracy, while being flexible and efficient as we handle both
non-rigid and multi-body cases in a unified framework and avoid the costly
optimization over point-wise permutations by the use of basis function maps.
- Abstract(参考訳): 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共同登録する新しい方法であるSyNoRiMを提案する。
非剛体形状を処理する能力は、コンピュータアニメーションから3Dデジタル化まで、様々な応用において重要であるが、本書には、隠蔽下で観察される本物のノイズの多いスキャンの集合をマッチングし整列する、堅牢で柔軟な枠組みが欠けている。
このような点雲の集合が与えられた場合、関数写像によってパラメータ化されたペアワイズ対応をまず計算する。
また, 咬合をエレガントに処理しながら, 変形を効果的に正則化するために, 潜在的に非直交基底関数を学習する。
推定された対向変形場が提供する多方向情報から最大に利益を得るため,本発明および原理最適化定式化により,対向汎関数写像をサイクル一貫性全体へ同期する。
提案手法は,非剛体ケースと多体ケースの両方を統一されたフレームワークで処理し,基本関数マップを用いてポイントワイドな置換よりもコストのかかる最適化を回避しながら,登録精度を向上し,柔軟性と効率性を両立できることを示す。
関連論文リスト
- Hybrid Functional Maps for Crease-Aware Non-Isometric Shape Matching [42.16556256395392]
ラプラス・ベルトラミ作用素(LBO)固有モデムの固有関数と弾性薄殻ヘシアンの固有関数の非直交外部基底を結合する新しいアプローチを提案する。
各種の教師なしおよび教師なしの設定に対して広範囲な評価を行い,大幅な改善を示した。
論文 参考訳(メタデータ) (2023-12-06T18:41:01Z) - Neural Semantic Surface Maps [52.61017226479506]
本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。
提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
論文 参考訳(メタデータ) (2023-09-09T16:21:56Z) - Unsupervised Learning of Robust Spectral Shape Matching [12.740151710302397]
頑健な3次元形状マッチングのための新しい学習手法を提案する。
提案手法は, 深い関数型マップ上に構築され, 完全に教師なしの方法で訓練することができる。
論文 参考訳(メタデータ) (2023-04-27T02:12:47Z) - G-MSM: Unsupervised Multi-Shape Matching with Graph-based Affinity
Priors [52.646396621449]
G-MSMは、非剛体形状対応のための新しい教師なし学習手法である。
学習形態の集合に親和性グラフを自己教師型で構築する。
近年の形状対応ベンチマークで最先端の性能を示す。
論文 参考訳(メタデータ) (2022-12-06T12:09:24Z) - Smooth Non-Rigid Shape Matching via Effective Dirichlet Energy
Optimization [46.30376601157526]
ディリクレエネルギーによる点状写像の滑らかさを関数型写像パイプラインに導入する。
本稿では,効率よく最適化するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-10-05T14:07:17Z) - Learning Canonical Embedding for Non-rigid Shape Matching [36.85782408336389]
本稿では,非剛体形状マッチングのための標準埋め込みを学習する新しいフレームワークを提供する。
我々のフレームワークはエンドツーエンドで訓練されており、一般的に使用されているLaplace-Beltramiベースに関連する不安定性と制約を回避する。
論文 参考訳(メタデータ) (2021-10-06T18:09:13Z) - Deep Hough Voting for Robust Global Registration [52.40611370293272]
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。
論文 参考訳(メタデータ) (2021-09-09T14:38:06Z) - Isometric Multi-Shape Matching [58.75590108535401]
形状間の対応を見つけることは、コンピュータビジョンとグラフィックスの基本的な問題である。
アイソメトリーは形状対応問題においてしばしば研究されるが、マルチマッチング環境では明確には考慮されていない。
定式化を解くのに適した最適化アルゴリズムを提案し,コンバージェンスと複雑性解析を提供する。
論文 参考訳(メタデータ) (2020-12-04T15:58:34Z) - Correspondence Learning via Linearly-invariant Embedding [40.07515336866026]
データからベースを学習することで、堅牢性が向上し、挑戦的な設定において精度が向上することを示す。
提案手法は,非剛性な3Dポイントクラウド対応アプリケーションに挑戦する上で,最先端の成果を達成できることを実証する。
論文 参考訳(メタデータ) (2020-10-25T15:31:53Z)
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。