論文の概要: Category-Level Global Camera Pose Estimation with Multi-Hypothesis Point Cloud Correspondences

• arxiv url: http://arxiv.org/abs/2209.14419v1
• Date: Wed, 28 Sep 2022 21:12:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 17:10:10.120278
• Title: Category-Level Global Camera Pose Estimation with Multi-Hypothesis Point Cloud Correspondences
• Title（参考訳）: マルチハイポテーゼ点クラウド対応によるカテゴリーレベルグローバルカメラポーズ推定
• Authors: Jun-Jee Chao, Selim Engin, Nicolai H\"ani and Volkan Isler
• Abstract要約: 対応探索は、剛点クラウド登録アルゴリズムにおける重要なステップである。 本稿では,部分点クラウドと完全点クラウドとをマッチングする場合に,各キーポイントに対する全ての対応性を保持する最適化手法を提案する。 また,ローカル・ポイント・クラウド・リージョン間の類似度を測定する新しいポイント・フィーチャー・ディスクリプタを提案する。
• 参考スコア（独自算出の注目度）: 26.885846254261626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Correspondence search is an essential step in rigid point cloud registration algorithms. Most methods maintain a single correspondence at each step and gradually remove wrong correspondances. However, building one-to-one correspondence with hard assignments is extremely difficult, especially when matching two point clouds with many locally similar features. This paper proposes an optimization method that retains all possible correspondences for each keypoint when matching a partial point cloud to a complete point cloud. These uncertain correspondences are then gradually updated with the estimated rigid transformation by considering the matching cost. Moreover, we propose a new point feature descriptor that measures the similarity between local point cloud regions. Extensive experiments show that our method outperforms the state-of-the-art (SoTA) methods even when matching different objects within the same category. Notably, our method outperforms the SoTA methods when registering real-world noisy depth images to a template shape by up to 20% performance.
• Abstract（参考訳）: 対応探索は、剛点クラウド登録アルゴリズムにおける重要なステップである。 ほとんどの方法は各ステップで単一の対応を維持し、間違った対応を徐々に除去する。 しかし、特に局所的に類似した特徴を持つ2点の雲と一致する場合、ハード割り当てによる1対1対応の構築は非常に困難である。 本稿では,部分点クラウドと完全点クラウドとをマッチングする場合に,各キーポイントに対する全ての対応性を保持する最適化手法を提案する。 これらの不確かな対応は、一致するコストを考慮して、推定された剛性変換で徐々に更新される。 さらに,局所的なクラウド領域間の類似度を測定する新しいポイント特徴記述子を提案する。 実験の結果,同カテゴリの異なるオブジェクトをマッチングした場合においても,本手法は最先端(SoTA)手法よりも優れていた。 特に,本手法は,実世界のノイズ奥行き画像をテンプレート形状に最大20%性能で登録する場合,soma法を上回っている。

関連論文リスト

• BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
  本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。 本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:58:10Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion [15.94976936555104]
  我々はHybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。 アウトドアの大きなシーンでは、異なる視角から、ソース間の密集点雲を登録することができる。 提案手法は,定性的,定量的な実験を通じて総合的に評価される。
  論文  参考訳（メタデータ） (2023-04-10T10:54:54Z)
• PointCLM: A Contrastive Learning-based Framework for Multi-instance Point Cloud Registration [4.969636478156443]
  PointCLMは、ミュートリインスタンスポイントクラウド登録のための対照的な学習ベースのフレームワークである。 提案手法は, 合成データと実データの両方において, 最先端の手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-01T04:30:05Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• DeepBBS: Deep Best Buddies for Point Cloud Registration [55.12101890792121]
  DeepBBSは、トレーニング中のポイント間の最良の相反する距離を考慮に入れた表現を学ぶための新しい方法である。 実験の結果,従来の手法と比較して性能が向上した。
  論文  参考訳（メタデータ） (2021-10-06T19:00:07Z)
• Pairwise Point Cloud Registration using Graph Matching and Rotation-invariant Features [8.897670503102342]
  回転不変特徴と新しい重み付きグラフマッチング法を併用した粒度対細登録戦略を開発した。 提案手法では, 回転誤差が0.2度未満, 翻訳誤差が0.1m未満の微細な登録が可能となる。
  論文  参考訳（メタデータ） (2021-05-05T16:03:05Z)
• 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)
• 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)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。