論文の概要: Searching Dense Point Correspondences via Permutation Matrix Learning

• arxiv url: http://arxiv.org/abs/2210.14897v1
• Date: Wed, 26 Oct 2022 17:56:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 15:06:22.029835
• Title: Searching Dense Point Correspondences via Permutation Matrix Learning
• Title（参考訳）: 置換行列学習による密接点対応の探索
• Authors: Zhiyuan Zhang, Jiadai Sun, Yuchao Dai, Bin Fan, Qi Liu
• Abstract要約: 本稿では,3次元点雲の高密度対応を推定するエンド・ツー・エンドの学習手法を提案する。 本手法は,高密度対応学習のための最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 50.764666304335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although 3D point cloud data has received widespread attentions as a general form of 3D signal expression, applying point clouds to the task of dense correspondence estimation between 3D shapes has not been investigated widely. Furthermore, even in the few existing 3D point cloud-based methods, an important and widely acknowledged principle, i.e . one-to-one matching, is usually ignored. In response, this paper presents a novel end-to-end learning-based method to estimate the dense correspondence of 3D point clouds, in which the problem of point matching is formulated as a zero-one assignment problem to achieve a permutation matching matrix to implement the one-to-one principle fundamentally. Note that the classical solutions of this assignment problem are always non-differentiable, which is fatal for deep learning frameworks. Thus we design a special matching module, which solves a doubly stochastic matrix at first and then projects this obtained approximate solution to the desired permutation matrix. Moreover, to guarantee end-to-end learning and the accuracy of the calculated loss, we calculate the loss from the learned permutation matrix but propagate the gradient to the doubly stochastic matrix directly which bypasses the permutation matrix during the backward propagation. Our method can be applied to both non-rigid and rigid 3D point cloud data and extensive experiments show that our method achieves state-of-the-art performance for dense correspondence learning.
• Abstract（参考訳）: 一般の3次元信号表現として3次元点雲データが注目されているが,3次元形状間の密接な対応推定のタスクに点雲を適用することは広くは研究されていない。 さらに、既存の3dポイントクラウドベースの手法でも、重要かつ広く認識されている原則である。 1対1のマッチングは通常無視される。 そこで本研究では,3次元点雲の高密度対応を推定する新たなエンドツーエンド学習手法を提案し,点マッチングの問題をゼロワン代入問題として定式化し,置換マッチング行列を達成し,その原理を基本的に実装する。 この割り当て問題の古典的な解は常に微分不可能であり、ディープラーニングフレームワークでは致命的である。 そこで我々は,まず2倍確率行列を解き,得られた近似解を所望の置換行列に投影する,特別なマッチングモジュールを設計する。 さらに,エンド・ツー・エンド学習と計算損失の精度を保証するため,学習した置換行列からの損失を計算するとともに,後方伝播中に置換行列をバイパスする二重確率行列に直接勾配を伝搬する。 本手法は, 厳密で厳密な3次元点雲データにも適用可能であり, 広範に実験した結果, 高密度対応学習のための最先端性能が得られた。

関連論文リスト

• Diff-Reg v1: Diffusion Matching Model for Registration Problem [34.57825794576445]
  既存の手法では、幾何学的あるいは意味的な特徴を利用して潜在的な対応を生成する。 従来はシングルパス予測に頼っていた手法は、複雑なシナリオにおいて局所的なミニマと競合する可能性がある。 本稿では,ロバスト対応推定のための拡散マッチングモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-29T02:10:38Z)
• Diff-PCR: Diffusion-Based Correspondence Searching in Doubly Stochastic Matrix Space for Point Cloud Registration [35.82753072083472]
  最先端の手法では、ソリューションを洗練させるためにRAFTのような反復的な更新が採用されている。 本稿では,最適マッチング行列の探索を予測するために,Denoising Diffusion Modelを利用する新しい手法を提案する。 提案手法は,オンラインバックボーンやホワイトノイズによって提供される任意の初期マッチング行列から検索を開始することで,柔軟性を提供する。
  論文  参考訳（メタデータ） (2023-12-31T09:24:28Z)
• Self-Supervised Learning for Multimodal Non-Rigid 3D Shape Matching [15.050801537501462]
  我々は、メッシュベースの関数マップ正規化と、メッシュとポイントクラウドデータを結合する対照的な損失を組み合わせた、自己教師型マルチモーダル学習戦略を導入する。 我々の形状マッチングアプローチは、三角形メッシュ、完全点雲、部分的に観察された点雲のモード内対応を得ることを可能にする。 提案手法は,いくつかの挑戦的なベンチマークデータセットに対して,最先端の結果を達成できることを実証する。
  論文  参考訳（メタデータ） (2023-03-20T09:47:02Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• End-to-end Learning the Partial Permutation Matrix for Robust 3D Point Cloud Registration [32.79389437430705]
  本稿では,外接点に対応点を割り当てない部分置換マッチング行列を学習することを提案する。 そこで本研究では,登録パイプライン内のソフト・ツー・ハード(S2H)マッチング手順を設計する。 提案手法は,3Dポイントクラウドのロバストな登録のための最先端性能を新たに生成する。
  論文  参考訳（メタデータ） (2021-10-28T16:07:02Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)
• Permutation Matters: Anisotropic Convolutional Layer for Learning on Point Clouds [145.79324955896845]
  本稿では,各点のソフトな置換行列を計算する変分異方性畳み込み演算(PAI-Conv)を提案する。 点雲の実験により、PAI-Convは分類とセマンティックセグメンテーションのタスクにおいて競合する結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-05-27T02:42:29Z)
• Eigendecomposition-Free Training of Deep Networks for Linear Least-Square Problems [107.3868459697569]
  我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。 この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。 我々の手法は収束特性が良く、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2020-04-15T04:29:34Z)
• Learning 2D-3D Correspondences To Solve The Blind Perspective-n-Point Problem [98.92148855291363]
  本稿では、6-DoFの絶対カメラポーズ2D--3D対応を同時に解決するディープCNNモデルを提案する。 実データとシミュレーションデータの両方でテストした結果,本手法は既存手法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-03-15T04:17:30Z)

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。