Fugu-MT 論文翻訳(概要): Learning to Register Unbalanced Point Pairs

論文の概要: Learning to Register Unbalanced Point Pairs

arxiv url: http://arxiv.org/abs/2207.04221v1
Date: Sat, 9 Jul 2022 08:03:59 GMT
ステータス: 処理完了
システム内更新日: 2022-07-12 14:28:27.266323
Title: Learning to Register Unbalanced Point Pairs
Title（参考訳）: 不均衡点対を登録する学習
Authors: Kanghee Lee, Junha Lee, Jaesik Park
Abstract要約: 最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
参考スコア（独自算出の注目度）: 10.369750912567714
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent 3D registration methods can effectively handle large-scale or partially overlapping point pairs. However, despite its practicality, matching the unbalanced pairs in terms of spatial scale and density has been overlooked. We present a novel 3D registration method, called UPPNet, for the unbalanced point pairs. We propose a hierarchical framework to find inlier correspondences effectively by gradually reducing search space. Our method predicts the subregions of the target points likely to be overlapped with the query points. The following super-point matching module and fine-grained refinement module estimate accurate inlier correspondences between two point clouds. Furthermore, we apply geometric constraints to refine the correspondences that satisfy spatial compatibility. Correspondence prediction is trained end-to-end, and our approach can predict the proper rigid transformation with a single forward pass given unbalanced point cloud pairs. To validate the efficacy of the proposed method, we create a KITTI-UPP dataset by augmenting the KITTI LiDAR dataset. Experiments on this dataset reveal that the proposed approach significantly outperforms state-of-the-art pairwise point cloud registration methods by a large margin, resulting in 78% improvement in Registration Recall when the target point cloud is about 10$\times$ spatially larger and about 10$\times$ times denser than the query point cloud.
Abstract（参考訳）: 最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。しかし、その実用性にもかかわらず、空間スケールと密度の点で不均衡なペアは見過ごされている。本稿では,不均衡点対に対してuppnetと呼ばれる新しい3次元登録手法を提案する。探索空間を徐々に減らし,不整合を効果的に見つける階層的枠組みを提案する。提案手法は,クエリポイントと重複する可能性のあるターゲットポイントのサブリージョンを予測する。以下のスーパーポイントマッチングモジュールと微粒化モジュールは、2点雲間の正確な不整合を推定する。さらに,空間的適合性を満たす対応を洗練するために幾何学的制約を適用する。対応予測はエンドツーエンドで訓練され,不均衡な点雲対が与えられた1つの前方通過で適切な剛性変換を予測できる。提案手法の有効性を検証するため,KITTI LiDARデータセットを拡張してKITTI-UPPデータセットを作成する。このデータセットの実験では、提案手法が最先端のペアワイズクラウド登録手法を大きなマージンで大幅に上回り、ターゲットポイントクラウドが空間的に大きく、クエリポイントクラウドよりも約10$\times$の密度を持つ場合、登録リコールが78%向上することが示された。

関連論文リスト

DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
論文参考訳（メタデータ） (2023-12-05T16:47:46Z)
Overlap Bias Matching is Necessary for Point Cloud Registration [21.584033532099134]
登録される点雲間のオーバーラップは比較的小さい。部分点クラウド登録のための教師なしネットワーク Overlap Bias Matching Network (OBMNet) を提案する。
論文参考訳（メタデータ） (2023-08-18T07:47:22Z)
Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
論文参考訳（メタデータ） (2022-10-17T08:02:33Z)
Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文参考訳（メタデータ） (2022-07-19T05:43:14Z)
COTReg:Coupled Optimal Transport based Point Cloud Registration [28.730827908402286]
本稿では,3次元点雲登録の対応性を予測するための学習フレームワークCOTRegを提案する。 2つのマッチングをワッサーシュタイン距離ベースとグロモフ=ワッサーシュタイン距離ベース最適化に変換する。我々の対応予測パイプラインは、FCGFのような学習ベースの機能やFPFHのような伝統的な記述子に簡単に統合できます。
論文参考訳（メタデータ） (2021-12-29T03:20:18Z)
Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
論文参考訳（メタデータ） (2021-12-18T12:39:05Z)
CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration [35.57761839361479]
CoFiNet (Coarse-to-Fine Network) - キーポイント検出なしで、粗から細まで階層的な対応を抽出する。我々のモデルは、近傍の点が重なり合うダウンサンプリングノードと一致することを学習する。点対応は、密度適応マッチングモジュールによって対応するパッチの重複領域から洗練される。
論文参考訳（メタデータ） (2021-10-26T23:05:00Z)
Deep Hough Voting for Robust Global Registration [52.40611370293272]
6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
論文参考訳（メタデータ） (2021-09-09T14:38:06Z)
Learning Semantic Segmentation of Large-Scale Point Clouds with Random Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文参考訳（メタデータ） (2021-07-06T05:08:34Z)
Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D Edge Alignment [85.32080531133799]
本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。 3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
論文参考訳（メタデータ） (2020-12-15T11:42:17Z)
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。