論文の概要: Multiview point cloud registration with anisotropic and space-varying localization noise

• arxiv url: http://arxiv.org/abs/2201.00708v1
• Date: Mon, 3 Jan 2022 15:21:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-04 15:53:04.110898
• Title: Multiview point cloud registration with anisotropic and space-varying localization noise
• Title（参考訳）: 異方性および空間変動型定位雑音を伴う多視点点雲登録
• Authors: Denis Fortun, Etienne Baudrier, Fabian Zwettler, Markus Sauer and Sylvain Faisan
• Abstract要約: 我々は,高異方性定位雑音で劣化した複数点の雲を登録する問題に対処する。 既存の手法は、空間不変等方性雑音の暗黙の仮定に基づいている。 ノイズハンドリング戦略は,高レベルの異方性雑音に対するロバスト性を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 1.5499426028105903
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we address the problem of registering multiple point clouds corrupted with high anisotropic localization noise. Our approach follows the widely used framework of Gaussian mixture model (GMM) reconstruction with an expectation-maximization (EM) algorithm. Existing methods are based on an implicit assumption of space-invariant isotropic Gaussian noise. However, this assumption is violated in practice in applications such as single molecule localization microscopy (SMLM). To address this issue, we propose to introduce an explicit localization noise model that decouples shape modeling with the GMM from noise handling. We design a stochastic EM algorithm that considers noise-free data as a latent variable, with closed-form solutions at each EM step. The first advantage of our approach is to handle space-variant and anisotropic Gaussian noise with arbitrary covariances. The second advantage is to leverage the explicit noise model to impose prior knowledge about the noise that may be available from physical sensors. We show on various simulated data that our noise handling strategy improves significantly the robustness to high levels of anisotropic noise. We also demonstrate the performance of our method on real SMLM data.
• Abstract（参考訳）: 本稿では,高異方性定位雑音で劣化した複数点の雲を登録する問題に対処する。 提案手法は,予測最大化(EM)アルゴリズムを用いたガウス混合モデル(GMM)再構成の広く用いられている枠組みに従う。 既存の手法は空間不変同型ガウス雑音の暗黙の仮定に基づいている。 しかし、この仮定は単分子局在顕微鏡(smlm)のような応用において実際に違反している。 この問題に対処するために,GMMと形状モデリングをノイズハンドリングから分離する明示的な局所化雑音モデルを提案する。 雑音のないデータを遅延変数とみなす確率的EMアルゴリズムを設計し,各EMステップで閉形式解を求める。 このアプローチの第一の利点は、任意の共分散を持つ空間不変および異方性ガウスノイズを扱うことである。 第二の利点は、露骨なノイズモデルを利用して、物理的なセンサーから得られるノイズについて事前の知識を課すことである。 ノイズハンドリング戦略が異方性雑音の高レベルに対するロバスト性を大幅に改善することを示す。 また,本手法の性能を実SMLMデータに示す。

関連論文リスト

• Diffusion Gaussian Mixture Audio Denoise [23.760755498636943]
  本稿では拡散モデルとガウス混合モデルに基づくデノナイズモデルであるDiffGMMモデルを提案する。 まず1D-U-Netを用いて特徴を抽出し,ガウス混合モデルのパラメータを推定する線形層を訓練する。 推定ノイズからノイズ信号を連続的に減算してクリーンオーディオ信号を出力する。
  論文  参考訳（メタデータ） (2024-06-13T14:18:10Z)
• Bayesian Inference of General Noise Model Parameters from Surface Code's Syndrome Statistics [0.0]
  表面符号のテンソルネットワークシミュレータを統合する一般雑音モデルベイズ推論法を提案する。 雑音パラメータが一定であり変化しない定常雑音に対しては,マルコフ連鎖モンテカルロに基づく手法を提案する。 より現実的な状況である時間変化ノイズに対しては、シーケンシャルなモンテカルロに基づく別の手法を導入する。
  論文  参考訳（メタデータ） (2024-06-13T10:26:04Z)
• Information limits and Thouless-Anderson-Palmer equations for spiked matrix models with structured noise [19.496063739638924]
  構造スパイクモデルに対するベイズ推定の飽和問題を考える。 適応的なThouless-Anderson-Palmer方程式の理論にインスパイアされた効率的なアルゴリズムを用いて、統計的限界を予測する方法を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:38:35Z)
• One Noise to Rule Them All: Learning a Unified Model of Spatially-Varying Noise Patterns [33.293193191683145]
  本稿では,複数種類のノイズを生成できる単一生成モデルを提案する。 また, 逆手続き材料設計の改善に本モデルを適用した。
  論文  参考訳（メタデータ） (2024-04-25T02:23:11Z)
• Blue noise for diffusion models [50.99852321110366]
  本稿では,画像内および画像間の相関雑音を考慮した拡散モデルを提案する。 我々のフレームワークは、勾配流を改善するために、1つのミニバッチ内に画像間の相関を導入することができる。 本手法を用いて,各種データセットの質的,定量的な評価を行う。
  論文  参考訳（メタデータ） (2024-02-07T14:59:25Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
  本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。 実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。 我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
  論文  参考訳（メタデータ） (2021-01-21T04:48:15Z)
• Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
  そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。 我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。 数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-18T16:40:45Z)
• Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
  勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。 ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。 分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
  論文  参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。