論文の概要: Coarse-to-Fine Point Cloud Registration with SE(3)-Equivariant
Representations
- arxiv url: http://arxiv.org/abs/2210.02045v1
- Date: Wed, 5 Oct 2022 06:35:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 14:55:21.840764
- Title: Coarse-to-Fine Point Cloud Registration with SE(3)-Equivariant
Representations
- Title(参考訳): SE(3)-同変表現による粗点間クラウド登録
- Authors: Cheng-Wei Lin, Tung-I Chen, Hsin-Ying Lee, Wen-Chin Chen, and Winston
H. Hsu
- Abstract要約: 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いて重要な問題である。
どちらも同時に処理する粗大なパイプラインを採用しています。
提案手法は,最先端手法と比較してリコール率を20%向上させる。
- 参考スコア(独自算出の注目度): 24.772676537277547
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point cloud registration is a crucial problem in computer vision and
robotics. Existing methods either rely on matching local geometric features,
which are sensitive to the pose differences, or leverage global shapes and
thereby lead to inconsistency when facing distribution variances such as
partial overlapping. Combining the advantages of both types of methods, we
adopt a coarse-to-fine pipeline that concurrently handles both issues. We first
reduce the pose differences between input point clouds by aligning global
features; then we match the local features to further refine the inaccurate
alignments resulting from distribution variances. As global feature alignment
requires the features to preserve the poses of input point clouds and local
feature matching expects the features to be invariant to these poses, we
propose an SE(3)-equivariant feature extractor to simultaneously generate two
types of features. In this feature extractor, representations preserving the
poses are first encoded by our novel SE(3)-equivariant network and then
converted into pose-invariant ones by a pose-detaching module. Experiments
demonstrate that our proposed method increases the recall rate by 20% compared
to state-of-the-art methods when facing both pose differences and distribution
variances.
- Abstract(参考訳): 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いて重要な問題である。
既存の手法は、ポーズの相違に敏感な局所幾何学的特徴のマッチングに依存するか、大域的な形状を利用して、部分的な重なり合いのような分布のばらつきに直面すると矛盾する。
両方の方法の利点を組み合わせることで、両方の問題を同時処理する粗いパイプラインを採用する。
まず、グローバルな特徴を整合させることで、入力ポイントクラウド間のポーズ差を低減し、その後、局所的な特徴を一致させ、分散分散から生じる不正確なアライメントをさらに洗練する。
グローバルな特徴アライメントは入力点雲のポーズを保持するために機能を必要とし、局所的な特徴マッチングはこれらのポーズに不変な特徴を期待するので、2種類の特徴を同時に生成するSE(3)-等価特徴抽出器を提案する。
この特徴抽出器において、ポーズを保存する表現は、新しいSE(3)-同変ネットワークによってまず符号化され、その後、ポーズ検出モジュールによってポーズ不変の表現に変換される。
実験により,提案手法は相違点と分布のばらつきに直面する場合と比較して,リコール率を20%向上することを示した。
関連論文リスト
- Generalizing Neural Human Fitting to Unseen Poses With Articulated SE(3)
Equivariance [48.39751410262664]
ArtEqは、点雲からのSMPLモデル推定のための部分ベースSE(3)等価ニューラルネットワークである。
実験の結果,ArtEqはトレーニング中に見えない動作を一般化し,身体再建精度の点で最先端の手法を44%上回った。
論文 参考訳(メタデータ) (2023-04-20T17:58:26Z) - Rotation-Invariant Transformer for Point Cloud Matching [50.365839909264]
我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。
本稿では,自己認識機構によって学習した,回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。
RoITrは、Inlier RatioとRegistration Recallの点で、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
論文 参考訳(メタデータ) (2023-03-14T20:55:27Z) - Rethinking Rotation Invariance with Point Cloud Registration [18.829454172955202]
本稿では, 回転不変形状符号化, 整列化機能統合, 深部特徴登録の3段階を通した回転不変性学習のための効果的なフレームワークを提案する。
3次元形状分類,部分分割,検索タスクの実験結果から,本研究の可能性が確認された。
論文 参考訳(メタデータ) (2022-12-31T08:17:09Z) - E2PN: Efficient SE(3)-Equivariant Point Network [12.520265159777255]
本稿では,3次元点雲からSE(3)-等価特徴を学習するための畳み込み構造を提案する。
カーネルポイント畳み込み(カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、KPConv、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション
論文 参考訳(メタデータ) (2022-06-11T02:15:46Z) - SE(3)-Equivariant Attention Networks for Shape Reconstruction in
Function Space [50.14426188851305]
本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。
入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。
提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-04-05T17:59:15Z) - Shape-Pose Disentanglement using SE(3)-equivariant Vector Neurons [59.83721247071963]
本研究では,点雲を標準形状表現に符号化するための教師なし手法を提案する。
エンコーダは安定で一貫性があり、形状のエンコーダは純粋にポーズ不変である。
抽出された回転と変換は、同じクラスの異なる入力形状を共通の標準ポーズに意味的に整合させることができる。
論文 参考訳(メタデータ) (2022-04-03T21:00:44Z) - Correspondence-Free Point Cloud Registration with SO(3)-Equivariant
Implicit Shape Representations [12.343333815270402]
提案手法は,同変特徴学習と暗黙的形状モデルを組み合わせることで,3つの大きな利点を実現する。
その結果,既存の通信不要のディープ・レジストレーション法と比較して優れた性能を示した。
論文 参考訳(メタデータ) (2021-07-21T18:18:21Z) - Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。
我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。
提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
論文 参考訳(メタデータ) (2021-07-18T09:05:16Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳(メタデータ) (2020-03-16T14:04:45Z)
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。