論文の概要: GiNGR: Generalized Iterative Non-Rigid Point Cloud and Surface Registration Using Gaussian Process Regression

• arxiv url: http://arxiv.org/abs/2203.09986v1
• Date: Fri, 18 Mar 2022 14:23:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-21 15:06:12.381340
• Title: GiNGR: Generalized Iterative Non-Rigid Point Cloud and Surface Registration Using Gaussian Process Regression
• Title（参考訳）: ジンジャー:一般化反復型非剛性点雲とガウス過程回帰を用いた表面登録
• Authors: Dennis Madsen, Jonathan Aellen, Andreas Morel-Forster, Thomas Vetter and Marcel L\"uthi
• Abstract要約: GiNGRはGaussian Process Morphable Models (GPMM)上に構築されている 我々は、GPRがターゲットに基準をワープし、密度、スパース、または部分的な推定された対応に対して、事前に追従した滑らかな変形をもたらすことを示す。 GiNGRフレームワークの既存のアルゴリズムが確率的登録を行い、異なる登録の分布を得る方法を示す。
• 参考スコア（独自算出の注目度）: 7.072699623549853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we unify popular non-rigid registration methods for point sets and surfaces under our general framework, GiNGR. GiNGR builds upon Gaussian Process Morphable Models (GPMM) and hence separates modeling the deformation prior from model adaptation for registration. In addition, it provides explainable hyperparameters, multi-resolution registration, trivial inclusion of expert annotation, and the ability to use and combine analytical and statistical deformation priors. But more importantly, the reformulation allows for a direct comparison of registration methods. Instead of using a general solver in the optimization step, we show how Gaussian process regression (GPR) iteratively can warp a reference onto a target, leading to smooth deformations following the prior for any dense, sparse, or partial estimated correspondences in a principled way. We show how the popular CPD and ICP algorithms can be directly explained with GiNGR. Furthermore, we show how existing algorithms in the GiNGR framework can perform probabilistic registration to obtain a distribution of different registrations instead of a single best registration. This can be used to analyze the uncertainty e.g. when registering partial observations. GiNGR is publicly available and fully modular to allow for domain-specific prior construction.
• Abstract（参考訳）: 本稿では,一般的なフレームワークである GiNGR の下で,点集合と曲面に対する一般的な非剛性登録手法を統合する。 GiNGRはGaussian Process Morphable Models (GPMM) に基づいて構築され、モデル適応に先立って変形をモデル化する。 さらに、説明可能なハイパーパラメータ、マルチレゾリューション登録、専門的アノテーションの自明な包含、分析的および統計的変形を事前に使用および結合する機能を提供する。 しかし、さらに重要なのは、登録方法の直接比較を可能にすることだ。 最適化ステップで一般解法を用いる代わりに、gaussian process regression (gpr) が反復的に目標に参照をゆがめることを示し、任意の密度、スパース、あるいは部分的推定対応に対して、前兆に従う滑らかな変形を原理的に導く。 一般的な CPD と ICP のアルゴリズムが GiNGR でどのように直接説明できるかを示す。 さらに、GiNGRフレームワークの既存のアルゴリズムが確率的登録を行い、単一の最良登録ではなく異なる登録の分布を得る方法を示す。 これは、例えば部分的な観測を登録する際に不確実性を分析するために用いられる。 GiNGRは公開されており、ドメイン固有の事前構築を可能にする完全にモジュール化されている。

関連論文リスト

• Debiased Batch Normalization via Gaussian Process for Generalizable Person Re-Identification [84.32086702849338]
  一般化可能な人物再識別は、見知らぬ領域でうまく機能するラベル付きソースドメインのみを持つモデルを学ぶことを目的としている。 一般化可能な人物識別のためのガウスプロセスアプローチ(GDNorm)によるデバイアスドバッチ正規化を提案する。
  論文  参考訳（メタデータ） (2022-03-03T14:14:51Z)
• Gaussian Processes and Statistical Decision-making in Non-Euclidean Spaces [96.53463532832939]
  我々はガウス過程の適用性を高める技術を開発した。 この観点から構築した効率的な近似を幅広く導入する。 非ユークリッド空間上のガウス過程モデルの集合を開発する。
  論文  参考訳（メタデータ） (2022-02-22T01:42:57Z)
• Non-Gaussian Gaussian Processes for Few-Shot Regression [71.33730039795921]
  乱変数ベクトルの各成分上で動作し,パラメータを全て共有する可逆なODEベースのマッピングを提案する。 NGGPは、様々なベンチマークとアプリケーションに対する競合する最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-10-26T10:45:25Z)
• Incremental Ensemble Gaussian Processes [53.3291389385672]
  本稿では,EGPメタラーナーがGP学習者のインクリメンタルアンサンブル(IE-) GPフレームワークを提案し,それぞれが所定のカーネル辞書に属するユニークなカーネルを持つ。 各GP専門家は、ランダムな特徴ベースの近似を利用してオンライン予測とモデル更新を行い、そのスケーラビリティを生かし、EGPメタラーナーはデータ適応重みを生かし、熟練者ごとの予測を合成する。 新たなIE-GPは、EGPメタラーナーおよび各GP学習者内における構造化力学をモデル化することにより、時間変化関数に対応するように一般化される。
  論文  参考訳（メタデータ） (2021-10-13T15:11:25Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• 3DMNDT:3D multi-view registration method based on the normal distributions transform [23.427473819499145]
  本稿では,正規分布変換(3DMNDT)に基づく3Dマルチビュー登録法を提案する。 提案手法はK平均クラスタリングとリー代数ソルバを統合し,マルチビュー登録を実現する。 ベンチマークデータセットで実験を行った結果,提案手法がマルチビュー登録の最先端性能を達成できることが判明した。
  論文  参考訳（メタデータ） (2021-03-20T03:20:31Z)
• Rigid and Articulated Point Registration with Expectation Conditional Maximization [20.096170794358315]
  革新的なEMライクアルゴリズム、すなわちECMPR(Conditional Expectation Maximization for Point Registration)アルゴリズムを紹介します。 登録パラメータの推定の観点で、関連する結果について詳細に分析する。 堅固な登録を有形登録まで延長します。
  論文  参考訳（メタデータ） (2020-12-09T17:36:11Z)
• Scalable Gaussian Process Variational Autoencoders [17.345687261000045]
  本稿では,実行時およびメモリフットプリントの観点から既存手法より優れた拡張性を持つGP-VAEモデルを提案する。
  論文  参考訳（メタデータ） (2020-10-26T10:26:02Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Deformable Groupwise Image Registration using Low-Rank and Sparse Decomposition [0.23310144143158676]
  本稿では,画像登録におけるRPCA-dissimi-larityの欠点について検討する。 非パラメトリックな登録問題の解法として, 1次原始双対最適化に基づく理論的に正当化されたマルチレベルスキームを提案する。
  論文  参考訳（メタデータ） (2020-01-10T15:25:36Z)

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。