論文の概要: Geometric Transformer for Fast and Robust Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2202.06688v1
- Date: Mon, 14 Feb 2022 13:26:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 17:18:30.439725
- Title: Geometric Transformer for Fast and Robust Point Cloud Registration
- Title(参考訳): 高速かつロバストなクラウド登録のための幾何学変換器
- Authors: Zheng Qin, Hao Yu, Changjian Wang, Yulan Guo, Yuxing Peng and Kai Xu
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 53.10568889775553
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of extracting accurate correspondences for point cloud
registration. Recent keypoint-free methods bypass the detection of repeatable
keypoints which is difficult in low-overlap scenarios, showing great potential
in registration. They seek correspondences over downsampled superpoints, which
are then propagated to dense points. Superpoints are matched based on whether
their neighboring patches overlap. Such sparse and loose matching requires
contextual features capturing the geometric structure of the point clouds. We
propose Geometric Transformer to learn geometric feature for robust superpoint
matching. It encodes pair-wise distances and triplet-wise angles, making it
robust in low-overlap cases and invariant to rigid transformation. The
simplistic design attains surprisingly high matching accuracy such that no
RANSAC is required in the estimation of alignment transformation, leading to
$100$ times acceleration. Our method improves the inlier ratio by
17\%$\sim$30\% and the registration recall by over 7\% on the challenging
3DLoMatch benchmark. The code and models will be released at
\url{https://github.com/qinzheng93/GeoTransformer}.
- Abstract(参考訳): 点雲登録のための正確な対応を抽出する問題について検討する。
最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避し、登録において大きな可能性を示す。
彼らはダウンサンプリングされたスーパーポイント上の対応を求め、それを密度のある点に伝播する。
スーパーポイントは、隣のパッチが重なり合うかどうかで一致します。
このようなスパースでゆるやかなマッチングは、点雲の幾何学的構造を捉える文脈的特徴を必要とする。
我々は,ロバストな超点マッチングのための幾何学的特徴を学ぶための幾何学的トランスフォーマーを提案する。
双対距離と三重項角を符号化し、低オーバーラップの場合は頑健であり、剛性変換には不変である。
単純化された設計は驚くほど高いマッチング精度を達成し、アライメント変換の推定にはransacを必要とせず、100ドルの高速化をもたらす。
本手法は,3dlomatchベンチマークにおいて,イリアー比を17\%$\sim$30\%,登録リコールを7\%以上改善する。
コードとモデルは \url{https://github.com/qinzheng93/GeoTransformer} でリリースされる。
関連論文リスト
- 2D3D-MATR: 2D-3D Matching Transformer for Detection-free Registration
between Images and Point Clouds [38.425876064671435]
本稿では2D3D-MATRを提案する。
提案手法では,入力画像のダウンサンプリングされたパッチと点雲との間の粗い対応をまず計算する。
パッチマッチングにおけるスケールのあいまいさを解決するため,各画像パッチに対してマルチスケールピラミッドを構築し,最適なマッチング画像パッチを適切な解像度で検出する。
論文 参考訳(メタデータ) (2023-08-10T16:10:54Z) - GeoTransformer: Fast and Robust Point Cloud Registration with Geometric
Transformer [63.85771838683657]
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法は、繰り返し可能なキーポイントの検出をバイパスすることで大きなポテンシャルを示している。
そこで我々は,Geometric Transformer (Geo Transformer) を略して提案し,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。
論文 参考訳(メタデータ) (2023-07-25T02:36:04Z) - 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) - Stratified Transformer for 3D Point Cloud Segmentation [89.9698499437732]
Stratified Transformerは、長距離コンテキストをキャプチャし、強力な一般化能力と高性能を示す。
不規則な点配置によって引き起こされる課題に対処するために,局所情報を集約する第1層点埋め込みを提案する。
S3DIS, ScanNetv2およびShapeNetPartデータセットにおける本手法の有効性と優位性を示す実験を行った。
論文 参考訳(メタデータ) (2022-03-28T05:35:16Z) - Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
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。
論文 参考訳(メタデータ) (2021-11-30T17:56:24Z) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳(メタデータ) (2021-04-08T04:27:32Z) - R-PointHop: A Green, Accurate and Unsupervised Point Cloud Registration
Method [64.86292006892093]
本研究では、R-PointHopと呼ばれる監視されていない3Dポイントクラウド登録手法を提案する。
実験はModelNet40とStanford Bunnyデータセット上で行われ、3Dポイントクラウド登録タスクにおけるR-PointHopの有効性を示す。
論文 参考訳(メタデータ) (2021-03-15T04:12:44Z) - 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) - 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)
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。