Fugu-MT 論文翻訳(概要): DeepUME: Learning the Universal Manifold Embedding for Robust Point Cloud Registration

論文の概要: DeepUME: Learning the Universal Manifold Embedding for Robust Point Cloud Registration

arxiv url: http://arxiv.org/abs/2112.09938v1
Date: Sat, 18 Dec 2021 14:06:42 GMT
ステータス: 処理完了
システム内更新日: 2021-12-21 16:37:39.795083
Title: DeepUME: Learning the Universal Manifold Embedding for Robust Point Cloud Registration
Title（参考訳）: DeepUME:ロバストポイントクラウド登録のためのユニバーサルマニフォールド埋め込みを学ぶ
Authors: Natalie Lang and Joseph M. Francos
Abstract要約: 本稿では,Universal Mani-fold Embedding (UME)法とディープニューラルネットワークの融合を提案する。 2つのフレームワークは、DeepUMEという名前の単一の統一フレームワークに統合され、エンドツーエンドと教師なしの方法でトレーニングされる。提案手法は,様々なシナリオにおいて最先端の登録手法よりも優れており,未知のデータセットに対してよく一般化されていることを示す。
参考スコア（独自算出の注目度）: 7.056222499095849
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Registration of point clouds related by rigid transformations is one of the fundamental problems in computer vision. However, a solution to the practical scenario of aligning sparsely and differently sampled observations in the presence of noise is still lacking. We approach registration in this scenario with a fusion of the closed-form Universal Mani-fold Embedding (UME) method and a deep neural network. The two are combined into a single unified framework, named DeepUME, trained end-to-end and in an unsupervised manner. To successfully provide a global solution in the presence of large transformations, we employ an SO(3)-invariant coordinate system to learn both a joint-resampling strategy of the point clouds and SO(3)-invariant features. These features are then utilized by the geometric UME method for transformation estimation. The parameters of DeepUME are optimized using a metric designed to overcome an ambiguity problem emerging in the registration of symmetric shapes, when noisy scenarios are considered. We show that our hybrid method outperforms state-of-the-art registration methods in various scenarios, and generalizes well to unseen data sets. Our code is publicly available.
Abstract（参考訳）: 剛体変換による点雲の登録は、コンピュータビジョンの基本的な問題の一つである。しかし, ノイズの存在下では, まばらに, 別々に試料を採取する現実的なシナリオの解決法はいまだ不十分である。このシナリオでは、閉じた形式のユニバーサルマニフォールド埋め込み(ume)法とディープニューラルネットワークを融合して登録にアプローチする。 2つのフレームワークは、DeepUMEという名前の単一の統一フレームワークに統合され、エンドツーエンドと教師なしの方法でトレーニングされる。大規模変換の存在下でのグローバルなソリューションの実現に成功するために,SO(3)不変座標系を用いて,点雲の合同再サンプリング戦略とSO(3)不変特徴の両方を学習する。これらの特徴を幾何的UME法により変換推定に利用する。 DeepUMEのパラメータは、ノイズシナリオを考慮した場合、対称形状の登録で生じるあいまいさ問題を克服するために設計された計量を用いて最適化される。本手法は,様々なシナリオにおいて最先端の登録手法を上回り,未発見のデータセットによく一般化することを示す。私たちのコードは公開されています。

関連論文リスト

UMERegRobust -- Universal Manifold Embedding Compatible Features for Robust Point Cloud Registration [4.806505912512235]
我々は、剛性変換を推定するために、ユニバーサルマニフォールド埋め込み(UME)フレームワークを採用する。独自のUMEコントラスト損失とサンプリング等化器を付加したUME互換特徴抽出手法を導入することで、UMEフレームワークを拡張した。本稿では,大規模な回転を含むシナリオの登録方法を評価するために,Rot KITTIベンチマークを提案する。
論文参考訳（メタデータ） (2024-08-22T13:18:55Z)
BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
論文参考訳（メタデータ） (2024-07-11T17:58:10Z)
SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
論文参考訳（メタデータ） (2023-08-16T14:25:30Z)
SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-04-05T17:59:15Z)
DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
論文参考訳（メタデータ） (2021-11-15T08:27:21Z)
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)
Correspondence-Free Point Cloud Registration with SO(3)-Equivariant Implicit Shape Representations [12.343333815270402]
提案手法は,同変特徴学習と暗黙的形状モデルを組み合わせることで,3つの大きな利点を実現する。その結果,既存の通信不要のディープ・レジストレーション法と比較して優れた性能を示した。
論文参考訳（メタデータ） (2021-07-21T18:18:21Z)
Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
論文参考訳（メタデータ） (2021-07-18T09:05:16Z)
DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。また、現在の最先端よりも推論速度を25%以上向上させる。
論文参考訳（メタデータ） (2020-11-26T14:56:57Z)
DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文参考訳（メタデータ） (2020-08-20T17:25:16Z)

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。