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
- Mixed Noise and Posterior Estimation with Conditional DeepGEM [1.2499537119440245]
逆問題における後部パラメータと雑音パラメータを同時推定する新しいアルゴリズムを開発した。
我々のモデルは,従来のアプローチとは異なり,多くの測定値から情報を組み込むことができることを示す。
論文 参考訳(メタデータ) (2024-02-05T12:42:21Z) - Causal Discovery under Identifiable Heteroscedastic Noise Model [50.23769985430187]
因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。
本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。
次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-20T08:51:58Z) - 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) - CFNet: Conditional Filter Learning with Dynamic Noise Estimation for
Real Image Denoising [37.29552796977652]
本稿では、カメラ内信号処理パイプラインを用いた異方性ガウス/ポアソンガウス分布によって近似された実雑音について考察する。
本稿では,特徴位置の異なる最適なカーネルを画像とノイズマップの局所的特徴により適応的に推定できる条件付きフィルタを提案する。
また,CNN構造にノイズ推定や非ブラインド復調を行う場合,反復的特徴復調を導出する前に連続的にノイズを更新すると考える。
論文 参考訳(メタデータ) (2022-11-26T14:28:54Z) - FINO: Flow-based Joint Image and Noise Model [23.9749061109964]
フローベースジョイントイメージとノイズモデル(FINO)
本研究では,フローベース・ジョイント・イメージ・アンド・ノイズモデル(FINO)を提案する。
論文 参考訳(メタデータ) (2021-11-11T02:51:54Z) - 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) - LAAT: Locally Aligned Ant Technique for discovering multiple faint low
dimensional structures of varying density [0.0]
多様体学習では、密度がノイズによって示されるものよりもかなり高い場合、背景雑音や構造に近いノイズを除去する解がいくつか示されている。
本稿では,Antコロニー最適化のアイデアに基づいて,雑音の存在下で多様体点を抽出する新しい手法を提案する。
既存のランダムウォーク解とは対照的に、我々の手法は多様体の主方向と局所的に一致した点を捉える。
論文 参考訳(メタデータ) (2020-09-17T14:22:50Z) - 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。