論文の概要: Overlap-guided Gaussian Mixture Models for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2210.09836v1
• Date: Mon, 17 Oct 2022 08:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 15:05:27.180962
• Title: Overlap-guided Gaussian Mixture Models for Point Cloud Registration
• Title（参考訳）: 点雲登録のためのオーバーラップ誘導ガウス混合モデル
• Authors: Guofeng Mei, Fabio Poiesi, Cristiano Saltori, Jian Zhang, Elisa Ricci, Nicu Sebe
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.250516170418784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Probabilistic 3D point cloud registration methods have shown competitive performance in overcoming noise, outliers, and density variations. However, registering point cloud pairs in the case of partial overlap is still a challenge. This paper proposes a novel overlap-guided probabilistic registration approach that computes the optimal transformation from matched Gaussian Mixture Model (GMM) parameters. We reformulate the registration problem as the problem of aligning two Gaussian mixtures such that a statistical discrepancy measure between the two corresponding mixtures is minimized. We introduce a Transformer-based detection module to detect overlapping regions, and represent the input point clouds using GMMs by guiding their alignment through overlap scores computed by this detection module. Experiments show that our method achieves superior registration accuracy and efficiency than state-of-the-art methods when handling point clouds with partial overlap and different densities on synthetic and real-world datasets. https://github.com/gfmei/ogmm
• Abstract（参考訳）: 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。 しかし、部分重複の場合のポイントクラウドペアの登録は依然として課題である。 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。 2つのガウス混合を整合させる問題として登録問題を再構成し、対応する2つの混合混合物間の統計的不一致測度を最小化する。 重なり領域を検出できるトランスベースの検出モジュールを導入し、この検出モジュールによって計算された重なりスコアを導いてgmmsを用いて入力点雲を表現する。 実験により, 合成および実世界のデータセットに部分重なり, 密度の異なる点群を扱う場合, 最先端手法よりも高い登録精度と効率が得られた。 https://github.com/gfmei/ogmm

関連論文リスト

• 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)
• 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)
• Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration [74.53755415380171]
  ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。 部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。 UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
  論文  参考訳（メタデータ） (2023-03-23T14:18:06Z)
• GenReg: Deep Generative Method for Fast Point Cloud Registration [18.66568286698704]
  我々は,クラウド登録をポイントとする深層生成ニューラルネットワークを探索し,新しいデータ駆動型登録アルゴリズムを提案する。 ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
  論文  参考訳（メタデータ） (2021-11-23T10:52:09Z)
• 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)
• LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point Cloud Registration [1.8876415010297891]
  剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。 本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。 CPDの現代の実装よりもはるかに高速です。
  論文  参考訳（メタデータ） (2021-03-28T03:46:41Z)
• 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)
• 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)

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。