論文の概要: Deep Confidence Guided Distance for 3D Partial Shape Registration

• arxiv url: http://arxiv.org/abs/2201.11379v1
• Date: Thu, 27 Jan 2022 08:40:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-28 14:37:18.752428
• Title: Deep Confidence Guided Distance for 3D Partial Shape Registration
• Title（参考訳）: 3次元部分形状登録のための深部信頼誘導距離
• Authors: Dvir Ginzburg and Dan Raviv
• Abstract要約: 部分的から部分的な3次元形状登録のための新しい非定型学習法を提案する。 本稿では,信頼誘導距離ネットワーク(CGD-net)を紹介し,点埋め込みと点雲間の空間距離との学習可能な類似性を融合させる。
• 参考スコア（独自算出の注目度）: 14.315501760755609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel non-iterative learnable method for partial-to-partial 3D shape registration. The partial alignment task is extremely complex, as it jointly tries to match between points and identify which points do not appear in the corresponding shape, causing the solution to be non-unique and ill-posed in most cases. Until now, two principal methodologies have been suggested to solve this problem: sample a subset of points that are likely to have correspondences or perform soft alignment between the point clouds and try to avoid a match to an occluded part. These heuristics work when the partiality is mild or when the transformation is small but fails for severe occlusions or when outliers are present. We present a unique approach named Confidence Guided Distance Network (CGD-net), where we fuse learnable similarity between point embeddings and spatial distance between point clouds, inducing an optimized solution for the overlapping points while ignoring parts that only appear in one of the shapes. The point feature generation is done by a self-supervised architecture that repels far points to have different embeddings, therefore succeeds to align partial views of shapes, even with excessive internal symmetries or acute rotations. We compare our network to recently presented learning-based and axiomatic methods and report a fundamental boost in performance.
• Abstract（参考訳）: 部分的から部分的な3次元形状登録のための新しい非定型学習法を提案する。 部分アライメントタスクは非常に複雑であり、協調して点間の一致を図り、どの点が対応する形状に現れないかを識別しようとすると、解が不合理で不適切な場合が多い。 これまで、この問題を解決するために2つの主要な方法論が提案されてきた: 対応性のある点のサブセットをサンプリングしたり、点雲間のソフトアライメントを実行したり、隠された部分との一致を避けようとする。 これらのヒューリスティックスは、部分性が弱いときや変換が小さいとき、あるいは重度の閉塞や外れ値が存在するときに作用する。 そこで我々は,点埋め込みと点雲間空間距離の学習可能な類似性を融合させ,その1つの形状にのみ現れる部分を無視しながら,重なり合う点に対する最適化解を誘導する,信頼誘導距離ネットワーク(CGD-net)というユニークなアプローチを提案する。 点特徴生成は、異なる埋め込みを持つために遠点を撃退する自己教師付きアーキテクチャによってなされるため、過剰な内部対称性や急回転であっても、形状の部分的視点の整列に成功する。 我々は最近,ネットワークを学習ベースおよび公理的手法と比較し,性能の根本的な向上を報告した。

関連論文リスト

• Partial-to-Partial Shape Matching with Geometric Consistency [47.46502145377953]
  3次元形状の対応を見つけることは、コンピュータビジョン、グラフィックスなどにおいて、重要かつ長年にわたる問題である。 我々は、幾何学的整合性を強い制約として利用することにより、既存の(あるいは人工的な)3次元フル形状マッチングと部分的から部分的な実世界の設定のギャップを埋める。 三角積空間上に構築された新しい整数非線型プログラム形式により実現された部分対部分マッチングの幾何学的整合性を実現する。
  論文  参考訳（メタデータ） (2024-04-18T14:14:07Z)
• Geometrically Consistent Partial Shape Matching [50.29468769172704]
  3次元形状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において重要な問題である。 しばしば無視されるが、整合幾何学の重要な性質は整合性である。 本稿では,新しい整数型線形計画部分形状整合式を提案する。
  論文  参考訳（メタデータ） (2023-09-10T12:21:42Z)
• Zero-Shot 3D Shape Correspondence [67.18775201037732]
  本稿では,3次元形状間の対応性を計算するためのゼロショット手法を提案する。 我々は、最近の基礎モデルの言語と視覚における例外的な推論能力を活用している。 提案手法は, 強い非等尺形状の間において, ゼロショット方式で高確率な結果をもたらす。
  論文  参考訳（メタデータ） (2023-06-05T21:14:23Z)
• Learning a Task-specific Descriptor for Robust Matching of 3D Point Clouds [40.81429160296275]
  我々は、干渉下での正しい点対応を一貫して記述するために、頑健なタスク固有の特徴記述子を学習する。 EDFNetは2つの側面から発展し,まず,その反復的局所構造を利用して対応性を向上させる。
  論文  参考訳（メタデータ） (2022-10-26T17:57:23Z)
• A Representation Separation Perspective to Correspondences-free Unsupervised 3D Point Cloud Registration [40.12490804387776]
  リモートセンシング分野における3Dポイントクラウドの登録は、ディープラーニングベースの手法によって大幅に進歩している。 表現分離の観点から,対応のない非教師なしポイントクラウド登録(UPCR)手法を提案する。 提案手法は, ポーズ不変表現の障害を除去するだけでなく, 部分対部分点の雲やノイズに対して頑健である。
  論文  参考訳（メタデータ） (2022-03-24T17:50:19Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  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。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency [38.93610732090426]
  本稿では,空間的整合性を明確に組み込んだ新しいディープニューラルネットワークであるPointDSCを提案する。 本手法は,いくつかの実世界のデータセットにおいて,最先端の手作りおよび学習に基づく異常者拒絶アプローチを上回っている。
  論文  参考訳（メタデータ） (2021-03-09T14:56:08Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。