論文の概要: Partial Wasserstein Adversarial Network for Non-rigid Point Set Registration

• arxiv url: http://arxiv.org/abs/2203.02227v1
• Date: Fri, 4 Mar 2022 10:23:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 15:10:11.117020
• Title: Partial Wasserstein Adversarial Network for Non-rigid Point Set Registration
• Title（参考訳）: 非剛性点集合登録のための部分ワッサーシュタイン逆数ネットワーク
• Authors: Zi-Ming Wang, Nan Xue, Ling Lei, Gui-Song Xia
• Abstract要約: 2つの点集合が与えられた場合、登録の問題は一方が他方と一致する変換を回復することである。 登録問題を部分分布マッチング(PDM)問題として定式化し,その目的は距離空間内の点集合で表される分布を部分的に一致させることである。 本稿では,ニューラルネットワークによるPW差分を近似し,勾配降下により最小化できる部分的ワッサーシュタイン対向ネットワーク(PWAN)を提案する。
• 参考スコア（独自算出の注目度）: 33.70389309762202
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Given two point sets, the problem of registration is to recover a transformation that matches one set to the other. This task is challenging due to the presence of the large number of outliers, the unknown non-rigid deformations and the large sizes of point sets. To obtain strong robustness against outliers, we formulate the registration problem as a partial distribution matching (PDM) problem, where the goal is to partially match the distributions represented by point sets in a metric space. To handle large point sets, we propose a scalable PDM algorithm by utilizing the efficient partial Wasserstein-1 (PW) discrepancy. Specifically, we derive the Kantorovich-Rubinstein duality for the PW discrepancy, and show its gradient can be explicitly computed. Based on these results, we propose a partial Wasserstein adversarial network (PWAN), which is able to approximate the PW discrepancy by a neural network, and minimize it by gradient descent. In addition, it also incorporates an efficient coherence regularizer for non-rigid transformations to avoid unrealistic deformations. We evaluate PWAN on practical point set registration tasks, and show that the proposed PWAN is robust, scalable and performs more favorably than the state-of-the-art methods.
• Abstract（参考訳）: 2つの点集合が与えられた場合、登録の問題は一方が他方と一致する変換を回復することである。 この課題は、多数の外れ値、未知の非剛性変形、および点集合の大きい大きさの存在によって困難である。 外れ値に対する強固なロバスト性を得るために、登録問題を部分分布マッチング(pdm)問題として定式化し、そこでは計量空間内の点集合で表される分布を部分的に一致させることを目標とする。 大規模な点集合を扱うために,効率的な部分的ワッサースタイン-1(PW)の相違を利用したスケーラブルなPDMアルゴリズムを提案する。 具体的には、PW離散性に対するカントロビッチ・ルビンシュタイン双対性を求め、その勾配を明示的に計算できることを示す。 これらの結果に基づき、ニューラルネットワークによるPWの差を近似し、勾配降下による最小化が可能な部分的なワッサーシュタイン対向ネットワーク(PWAN)を提案する。 さらに、非リジッド変換のための効率的なコヒーレンス正則化器も組み込まれており、非現実的変形を避けることができる。 我々は,PWANを実用点集合登録タスクで評価し,提案したPWANが最先端の手法よりも堅牢で,スケーラブルで,良好な性能を示すことを示す。

関連論文リスト

• Partial Distribution Matching via Partial Wasserstein Adversarial Networks [35.48994933353969]
  本稿では,2つの確率分布の整合性を求める基本的機械学習問題である分布マッチング(DM)問題について検討する。 提案手法は, 部分分布マッチング (PDM) と呼ばれる緩和された定式化に基づいており, 完全に一致するのではなく, 少数の分布に一致することを目指している。 実験結果から,提案したPWANは,最先端の手法と同等あるいは同等の精度で,極めて堅牢なマッチング結果が得られることが確認された。
  論文  参考訳（メタデータ） (2024-09-16T17:41:45Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Edge Wasserstein Distance Loss for Oriented Object Detection [30.63435516524413]
  本稿では,新たな指向性回帰損失,ワッサーシュタイン距離損失(EWD)を提案する。 具体的には、配向ボックス(OBox)表現に対して、確率密度関数がエッジ上のゼロではないような特別に設計された分布を選択する。
  論文  参考訳（メタデータ） (2023-12-12T08:00:40Z)
• Markovian Sliced Wasserstein Distances: Beyond Independent Projections [51.80527230603978]
  我々は、射影方向にマルコフ構造を課す新しいSW距離の族、Markovian sliced Wasserstein (MSW) 距離を導入する。 フロー,色移動,深部生成モデルなどの様々な応用において,従来のSW変種との距離を比較し,MSWの良好な性能を示す。
  論文  参考訳（メタデータ） (2023-01-10T01:58:15Z)
• Mean-field Analysis of Piecewise Linear Solutions for Wide ReLU Networks [83.58049517083138]
  勾配勾配勾配を用いた2層ReLUネットワークについて検討する。 SGDは単純な解に偏りがあることが示される。 また,データポイントと異なる場所で結び目が発生するという経験的証拠も提供する。
  論文  参考訳（メタデータ） (2021-11-03T15:14:20Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Inference for Change Points in High Dimensional Mean Shift Models [10.307668909650449]
  本研究では,高次元平均シフトモデルにおいて,変化点の位置に対する信頼区間を構築することの問題点を考察する。 局所的に再適合した最小二乗推定器を開発し、基礎となる変化点の推定のコンポーネントワイドおよび同時レートを得る。 結果は高次元のスケーリングの下で確立され、変化点の数や指数以下の誤差が生じる。
  論文  参考訳（メタデータ） (2021-07-19T20:56:15Z)
• Continuous Regularized Wasserstein Barycenters [51.620781112674024]
  正規化ワッサーシュタイン・バリセンタ問題に対する新しい双対定式化を導入する。 我々は、強い双対性を確立し、対応する主対関係を用いて、正規化された輸送問題の双対ポテンシャルを用いて暗黙的にバリセンターをパラメトリゼーションする。
  論文  参考訳（メタデータ） (2020-08-28T08:28:06Z)
• Schr\"{o}dinger PCA: On the Duality between Principal Component Analysis and Schr\"{o}dinger Equation [4.230413425773648]
  主成分分析(PCA)は教師なし学習において大きな成功を収めた。 特に、PCAはアンダーサンプリング方式における空間ガウス過程(GP)モデルに失敗する。 対して、PCA と Schr"odinger 方程式の接続を描画することで、アンダーサンプリング問題に対処できるだけでなく、効率的で分離された方法で計算できる。 我々のアルゴリズムは、入力として特徴の分散と推定相関長しか必要とせず、対応するシュリンガー方程式を構築し、エネルギー固有状態を得るために解く。
  論文  参考訳（メタデータ） (2020-06-08T06:55:29Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。