論文の概要: Point Cloud Registration of non-rigid objects in sparse 3D Scans with
applications in Mixed Reality
- arxiv url: http://arxiv.org/abs/2212.03856v1
- Date: Wed, 7 Dec 2022 18:54:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 17:17:33.455255
- Title: Point Cloud Registration of non-rigid objects in sparse 3D Scans with
applications in Mixed Reality
- Title（参考訳）: 混合現実感を用いたスパース3dスキャンにおける非剛性物体のポイントクラウド登録
- Authors: Manorama Jha
- Abstract要約: 本研究では,Augmented/Mixed Realityドメインのユースケースを対象とした,厳密でないクラウド登録の問題について検討する。
我々は、互いに相対的に動く部分を持つ剛体物体で起こる特別な非剛体変形に注目する。
このようなオブジェクトに対する効率的で堅牢なポイントクラウド登録ワークフローを提案し、Microsoft Hololens 2.0を用いて収集した実世界のデータに基づいて評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point Cloud Registration is the problem of aligning the corresponding points
of two 3D point clouds referring to the same object. The challenges include
dealing with noise and partial match of real-world 3D scans. For non-rigid
objects, there is an additional challenge of accounting for deformations in the
object shape that happen to the object in between the two 3D scans. In this
project, we study the problem of non-rigid point cloud registration for use
cases in the Augmented/Mixed Reality domain. We focus our attention on a
special class of non-rigid deformations that happen in rigid objects with parts
that move relative to one another about joints, for example, robots with hands
and machines with hinges. We propose an efficient and robust point-cloud
registration workflow for such objects and evaluate it on real-world data
collected using Microsoft Hololens 2, a leading Mixed Reality Platform.
- Abstract（参考訳）: ポイントクラウド登録は、同じオブジェクトを参照する2つの3Dポイントクラウドの対応するポイントを整列する問題である。
課題は、ノイズの処理と現実世界の3dスキャンの部分マッチングだ。
非剛性物体に対しては、2つの3dスキャンの間に生じる物体形状の変形を考慮に入れるという別の課題がある。
そこで本研究では,拡張現実/混合現実領域のユースケースにおける非剛性ポイントクラウド登録の問題について検討する。
我々は、関節について互いに相対的に動く部品を持つ剛体物体で起こる特殊な非剛体変形、例えば、手とヒンジを持つロボットとヒンジを持つ機械に注意を向ける。
我々は,このようなオブジェクトに対する効率的かつロバストなポイントクラウド登録ワークフローを提案し,microsoft hololens 2 を用いて収集した実世界データを用いて評価する。
関連論文リスト
- Precise Workcell Sketching from Point Clouds Using an AR Toolbox [1.249418440326334]
実世界の3D空間をポイントクラウドとしてキャプチャすることは効率的で記述的だが、センサーエラーがあり、オブジェクトのパラメトリゼーションが欠如している。
Augmented Reality インタフェースを用いて,3次元ワークセルスケッチをポイントクラウドから作成することで,生のポイントクラウドを洗練することができる。
ツールボックスとAR対応ポインティングデバイスを利用することで、ユーザーは3次元空間におけるデバイスの位置に基づいてポイントクラウドの精度を高めることができる。
論文 参考訳（メタデータ） (2024-10-01T08:07:51Z) - Bridged Transformer for Vision and Point Cloud 3D Object Detection [92.86856146086316]
Bridged Transformer (BrT) は、3Dオブジェクト検出のためのエンドツーエンドアーキテクチャである。
BrTは3Dオブジェクトと2Dオブジェクトのバウンディングボックスを、ポイントとイメージパッチの両方から識別する。
BrTがSUN RGB-DおよびScanNetV2データセットの最先端手法を上回ることを示す。
論文 参考訳（メタデータ） (2022-10-04T05:44:22Z) - Exploiting More Information in Sparse Point Cloud for 3D Single Object
Tracking [9.693724357115762]
3Dオブジェクトトラッキングは、3Dコンピュータビジョンにおける重要なタスクである。
点雲の空間性は、類似性を計算し、対象を見つけるのを難しくする。
本稿では3次元オブジェクト追跡のためのスパース・トゥ・デンス・トランスフォーマー・ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-02T13:38:30Z) - Points2NeRF: Generating Neural Radiance Fields from 3D point cloud [0.0]
ニューラルラジアンス場(NeRF)として3次元物体を表現することを提案する。
ハイパーネットワークのパラダイムを活用して、モデルをトレーニングして、関連するカラー値を持つ3Dポイントクラウドを取ります。
提案手法は効率的な3次元オブジェクト表現を提供し,既存手法に対するいくつかの利点を提供する。
論文 参考訳（メタデータ） (2022-06-02T20:23:33Z) - HyperPocket: Generative Point Cloud Completion [19.895219420937938]
遅延表現をアンタングルするHyperPocketという,新しいオートエンコーダベースのアーキテクチャを導入する。
ハイパーネットワークのパラダイムを活用して、欠落したオブジェクト部分によって残された、ポケットと呼ばれる空間を埋めます。
我々の手法は、他の最先端モデルと競合する性能を提供する。
論文 参考訳（メタデータ） (2021-02-11T12:30:03Z) - 3D Object Classification on Partial Point Clouds: A Practical
Perspective [91.81377258830703]
点雲は3次元オブジェクト分類において一般的な形状表現である。
本稿では,任意のポーズの下でオブジェクトインスタンスの部分点雲を分類する実践的な設定を提案する。
本稿では,アライメント分類手法による新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-18T04:00:56Z) - An Overview Of 3D Object Detection [21.159668390764832]
マルチクラスオブジェクト認識を行うために,RGBデータとポイントクラウドデータの両方を用いるフレームワークを提案する。
最近リリースされたnuScenesデータセット - 大規模なデータセットには多くのデータフォーマットが含まれています - をトレーニングし、提案したアーキテクチャを評価します。
論文 参考訳（メタデータ） (2020-10-29T14:04:50Z) - Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud
Object Detection [64.2159881697615]
3Dポイント雲からの物体検出は依然として難しい課題だが、最近の研究ではディープラーニング技術によって封筒を推し進めている。
本稿では,特徴表現の堅牢性を高めるために,ドメイン適応のようなアプローチを提案する。
我々の単純で効果的なアプローチは、3Dポイントクラウドオブジェクト検出の性能を根本的に向上させ、最先端の結果を達成する。
論文 参考訳（メタデータ） (2020-06-08T05:15:06Z) - GRNet: Gridding Residual Network for Dense Point Cloud Completion [54.43648460932248]
完全な3Dポイントクラウドを不完全なクラウドから推定することは、多くのビジョンやロボティクスアプリケーションにおいて重要な問題である。
本稿では,ポイントクラウド補完のための新しいGridding Residual Network(GRNet)を提案する。
実験結果から,提案したGRNetはShapeNet,Completion3D,KITTIベンチマークの最先端手法に対して良好に動作することがわかった。
論文 参考訳（メタデータ） (2020-06-06T02:46:39Z) - ShapeAdv: Generating Shape-Aware Adversarial 3D Point Clouds [78.25501874120489]
我々は、ポイントクラウドオートエンコーダの学習した潜在空間を活用することで、形状認識型3Dポイントクラウド攻撃を開発する。
以前のものとは違って、結果として生じる3D点の雲は、元の雲に近い状態での3D点の雲の形状の変化を反映している。
論文 参考訳（メタデータ） (2020-05-24T00:03:27Z) - ImVoteNet: Boosting 3D Object Detection in Point Clouds with Image Votes [93.82668222075128]
RGB-Dシーンに対するImVoteNetと呼ばれる3次元検出アーキテクチャを提案する。
ImVoteNetは、画像に2D票、ポイントクラウドに3D票を投じることに基づいている。
挑戦的なSUN RGB-Dデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-01-29T05:09:28Z)
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。