論文の概要: Non-rigid Point Cloud Registration with Neural Deformation Pyramid

• arxiv url: http://arxiv.org/abs/2205.12796v1
• Date: Wed, 25 May 2022 14:10:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-26 15:12:52.672687
• Title: Non-rigid Point Cloud Registration with Neural Deformation Pyramid
• Title（参考訳）: ニューラル変形ピラミッドによる非剛点雲の登録
• Authors: Yang Li and Tatsuya Harada
• Abstract要約: 非厳密なクラウド登録は多くのコンピュータビジョンやコンピュータグラフィックスアプリケーションにおいて重要なコンポーネントである。 本稿では,この問題を階層的な運動分解によって分解する。 本手法は,4DMatch/4DLoMatchベンチマークにおいて,非学習環境と教師あり環境下での高度な部分的・部分的クラウド登録結果を実現する。
• 参考スコア（独自算出の注目度）: 66.9427118404276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-rigid point cloud registration is a key component in many computer vision and computer graphics applications. The high complexity of the unknown non-rigid motion make this task a challenging problem. In this paper, we break down this problem via hierarchical motion decomposition. Our method called Neural Deformation Pyramid (NDP) represents non-rigid motion using a pyramid architecture. Each pyramid level, denoted by a Multi-Layer Perception (MLP), takes as input a sinusoidally encoded 3D point and outputs its motion increments from the previous level. The sinusoidal function starts with a low input frequency and gradually increases when the pyramid level goes down. This allows a multi-level rigid to nonrigid motion decomposition and also speeds up the solving by 50 times compared to the existing MLP-based approach. Our method achieves advanced partialto-partial non-rigid point cloud registration results on the 4DMatch/4DLoMatch benchmark under both no-learned and supervised settings.
• Abstract（参考訳）: 非厳密なクラウド登録は多くのコンピュータビジョンやコンピュータグラフィックスアプリケーションにおいて重要なコンポーネントである。 未知の非剛体運動の複雑さは、このタスクを困難な問題にする。 本稿では,この問題を階層的動作分解によって解決する。 我々の手法であるニューラル変形ピラミッド (NDP) はピラミッド構造を用いた非剛体運動を表す。 各ピラミッドレベルは、Multi-Layer Perception (MLP)で表され、正弦的に符号化された3Dポイントを入力として、前レベルから運動インクリメントを出力する。 正弦波関数は入力周波数が低いことから始まり、ピラミッドレベルが下がると徐々に増加する。 これにより、多段剛性から非剛性運動分解が可能となり、既存のMLPベースのアプローチに比べて50倍の高速化が可能となった。 本手法は,4DMatch/4DLoMatchベンチマークにおいて,非学習環境と教師あり環境下での高度な部分的・部分的クラウド登録結果を実現する。

関連論文リスト

• PointDifformer: Robust Point Cloud Registration With Neural Diffusion and Transformer [31.02661827570958]
  ポイントクラウド登録は、3Dコンピュータビジョンにおける基本的な技術であり、グラフィック、自律運転、ロボット工学の応用がある。 本稿では,グラフニューラル偏微分方程式(PDE)と熱カーネルシグネチャを利用するロバストポイントクラウド登録手法を提案する。 3Dポイントクラウドデータセットの実証実験により、我々のアプローチは、ポイントクラウド登録のための最先端のパフォーマンスを達成するだけでなく、付加的なノイズや3D形状の摂動に対してより堅牢性を示すことを示した。
  論文  参考訳（メタデータ） (2024-04-22T09:50:12Z)
• RoHM: Robust Human Motion Reconstruction via Diffusion [58.63706638272891]
  RoHMは、モノクロRGB(-D)ビデオから頑健な3次元人間の動きを復元するためのアプローチである。 ノイズと閉鎖された入力データに条件付けし、一貫した大域座標で完全な可塑性運動を再構成した。 本手法は,テスト時に高速でありながら,定性的かつ定量的に最先端の手法より優れる。
  論文  参考訳（メタデータ） (2024-01-16T18:57:50Z)
• PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in a Large Field of View with Perturbations [27.45001809414096]
  PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。 ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。 我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。 我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
  論文  参考訳（メタデータ） (2024-01-06T08:58:15Z)
• ConDaFormer: Disassembled Transformer with Local Structure Enhancement for 3D Point Cloud Understanding [105.98609765389895]
  トランスフォーマーは、最近3Dポイントクラウド理解のために研究されている。 0.1万を超える多数のポイントは、ポイントクラウドデータに対してグローバルな自己注意を可能にする。 本稿では,ConDaFormerという新しい変圧器ブロックを開発する。
  論文  参考訳（メタデータ） (2023-12-18T11:19:45Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• Pyramid Semantic Graph-based Global Point Cloud Registration with Low Overlap [27.362946585463824]
  グローバルポイントクラウドの登録は、ループ閉鎖や再ローカライゼーションといった多くのロボティクスタスクにおいて不可欠である。 残念なことに、登録はポイントクラウド間の重複が低いことに悩まされることが多い。 本稿では,重複度が低い点登録問題に対処する頑健な枠組みを提案する。
  論文  参考訳（メタデータ） (2023-07-22T16:05:23Z)
• 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)
• 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)

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。