Fugu-MT 論文翻訳(概要): Robust Partial-to-Partial Point Cloud Registration in a Full Range

論文の概要: Robust Partial-to-Partial Point Cloud Registration in a Full Range

arxiv url: http://arxiv.org/abs/2111.15606v1
Date: Tue, 30 Nov 2021 17:56:24 GMT
ステータス: 処理完了
システム内更新日: 2021-12-01 15:17:27.595020
Title: Robust Partial-to-Partial Point Cloud Registration in a Full Range
Title（参考訳）: 完全範囲におけるロバスト部分-部分点クラウド登録
Authors: Liang Pan, Zhongang Cai, and Ziwei Liu
Abstract要約: 本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。 GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
参考スコア（独自算出の注目度）: 12.86951061306046
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Point cloud registration for 3D objects is very challenging due to sparse and noisy measurements, incomplete observations and large transformations. In this work, we propose Graph Matching Consensus Network (GMCNet), which estimates pose-invariant correspondences for fullrange 1 Partial-to-Partial point cloud Registration (PPR). To encode robust point descriptors, 1) we first comprehensively investigate transformation-robustness and noiseresilience of various geometric features. 2) Then, we employ a novel Transformation-robust Point Transformer (TPT) modules to adaptively aggregate local features regarding the structural relations, which takes advantage from both handcrafted rotation-invariant ($RI$) features and noise-resilient spatial coordinates. 3) Based on a synergy of hierarchical graph networks and graphical modeling, we propose the Hierarchical Graphical Modeling (HGM) architecture to encode robust descriptors consisting of i) a unary term learned from $RI$ features; and ii) multiple smoothness terms encoded from neighboring point relations at different scales through our TPT modules. Moreover, we construct a challenging PPR dataset (MVP-RG) with virtual scans. Extensive experiments show that GMCNet outperforms previous state-of-the-art methods for PPR. Remarkably, GMCNet encodes point descriptors for each point cloud individually without using crosscontextual information, or ground truth correspondences for training. Our code and datasets will be available at https://github.com/paul007pl/GMCNet.
Abstract（参考訳）: 3dオブジェクトのポイントクラウド登録は、ばらばらでノイズの多い測定、不完全な観測、大きな変換のために非常に難しい。本研究では,フルレンジ1の部分対部分点クラウド登録 (PPR) に対するポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク (GMCNet) を提案する。ロバストな点記述子を符号化する 1)まず,様々な幾何学的特徴の変換・ロバスト性および雑音耐性を包括的に検討した。 2) 手作りの回転不変(ri$)特徴と雑音に耐性のある空間座標の両方を利用する構造関係に関する局所的な特徴を適応的に集約するために,新しいtpt(transform-robust point transformer)モジュールを用いる。 3)階層型グラフネットワークのシナジーとグラフィカルモデリングに基づいて,階層型グラフモデリング(HGM)アーキテクチャを提案し,ロバストな記述子を符号化する。 i)$ri$の機能から学んだ単項,及び二隣り合う点関係からTPTモジュールを通して異なるスケールで符号化された複数の滑らか度項。さらに,仮想スキャンを用いたPPRデータセット(MVP-RG)を構築する。 GMCNetは従来のPPRの最先端手法よりも優れていた。注目すべきは、GMCNetが個別に各ポイントクラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずにエンコードしていることだ。コードとデータセットはhttps://github.com/paul007pl/GMCNet.comで公開されます。

関連論文リスト

PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in a Large Field of View with Perturbations [27.45001809414096]
PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
論文参考訳（メタデータ） (2024-01-06T08:58:15Z)
Variational Relational Point Completion Network for Robust 3D Classification [59.80993960827833]
可変点雲補完法は、局所的な詳細を欠くため、大域的な形状の骨格を生成する傾向がある。本稿では2つの魅力的な特性を持つ変分フレームワークであるポイントコンプリートネットワーク(VRCNet)を提案する。 VRCNetは、現実世界のポイントクラウドスキャンにおいて、非常に一般化性と堅牢性を示している。
論文参考訳（メタデータ） (2023-04-18T17:03:20Z)
Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文参考訳（メタデータ） (2022-12-17T15:05:25Z)
Robust Point Cloud Registration Framework Based on Deep Graph Matching(TPAMI Version) [13.286247750893681]
3Dポイントクラウドの登録は、コンピュータビジョンとロボティクスの基本的な問題である。本稿では,ポイントクラウド登録のための新しいディープグラフマッチングベースのフレームワークを提案する。
論文参考訳（メタデータ） (2022-11-09T06:05:25Z)
Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
点雲登録のための正確な対応を抽出する問題について検討する。最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
論文参考訳（メタデータ） (2022-02-14T13:26:09Z)
Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-07-06T12:52:22Z)
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)
Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
論文参考訳（メタデータ） (2020-12-20T13:35:00Z)
RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文参考訳（メタデータ） (2020-03-30T13:45:27Z)
PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
論文参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。