論文の概要: GraphReg: Dynamical Point Cloud Registration with Geometry-aware Graph
Signal Processing
- arxiv url: http://arxiv.org/abs/2302.01109v1
- Date: Thu, 2 Feb 2023 14:06:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 13:43:33.585761
- Title: GraphReg: Dynamical Point Cloud Registration with Geometry-aware Graph
Signal Processing
- Title（参考訳）: graphreg:ジオメトリアウェアグラフ信号処理による動的ポイントクラウド登録
- Authors: Zhao Mingyang, Ma Lei, Jia Xiaohong, Yan Dong-Ming, and Huang Tiejun
- Abstract要約: 本研究では,3次元点雲登録のための高精度,効率的,物理的に誘導された手法を提案する。
我々は、粒子(点)の動きを制御し、より正確で頑健な登録を実現するために、幾何学を意識した剛体力学を探求する。
その結果,提案手法は精度において最先端の手法よりも優れており,大規模点雲の登録に適していることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study presents a high-accuracy, efficient, and physically induced method
for 3D point cloud registration, which is the core of many important 3D vision
problems. In contrast to existing physics-based methods that merely consider
spatial point information and ignore surface geometry, we explore geometry
aware rigid-body dynamics to regulate the particle (point) motion, which
results in more precise and robust registration. Our proposed method consists
of four major modules. First, we leverage the graph signal processing (GSP)
framework to define a new signature, (i.e., point response intensity for each
point), by which we succeed in describing the local surface variation,
resampling keypoints, and distinguishing different particles. Then, to address
the shortcomings of current physics-based approaches that are sensitive to
outliers, we accommodate the defined point response intensity to median
absolute deviation (MAD) in robust statistics and adopt the X84 principle for
adaptive outlier depression, ensuring a robust and stable registration.
Subsequently, we propose a novel geometric invariant under rigid
transformations to incorporate higher-order features of point clouds, which is
further embedded for force modeling to guide the correspondence between
pairwise scans credibly. Finally, we introduce an adaptive simulated annealing
(ASA) method to search for the global optimum and substantially accelerate the
registration process. We perform comprehensive experiments to evaluate the
proposed method on various datasets captured from range scanners to LiDAR.
Results demonstrate that our proposed method outperforms representative
state-of-the-art approaches in terms of accuracy and is more suitable for
registering large-scale point clouds. Furthermore, it is considerably faster
and more robust than most competitors.
- Abstract（参考訳）: 本研究では,多くの重要な3次元視覚問題の中核である3次元点雲登録のための高精度,効率的,物理的に誘導された手法を提案する。
空間的点情報のみを考慮し、表面幾何学を無視する既存の物理学的手法とは対照的に、粒子(点)の動きを調節する幾何学的剛体力学を探索し、より正確で堅牢な登録を行う。
提案手法は4つのモジュールからなる。
まず、グラフ信号処理(gsp)フレームワークを利用して、局所的な表面変動の記述、キーポイントの再サンプリング、異なる粒子の識別に成功する新しいシグネチャ(すなわち各点に対する点応答強度)を定義する。
次に, 正解率に敏感な現在の物理系アプローチの欠点に対処するため, 正準絶対偏差(MAD)に対する定義点応答強度を頑健な統計量に適用し, 適応型外乱抑制のX84原理を採用し, 頑健かつ安定した登録を確保する。
次に,点雲の高次特徴を取り入れた剛体変換の下での新しい幾何学的不変量を提案し,ペアワイズスキャン間の対応を忠実に導くための力モデリングに組み込む。
最後に,グローバルに最適なアニーリングを探索し,登録プロセスを実質的に高速化する適応型シミュレートアニーリング(asa)法を提案する。
レンジスキャナーからLiDARまで,様々なデータセットから提案手法を評価するための総合的な実験を行った。
以上の結果から,提案手法は精度において最先端の手法よりも優れており,大規模点雲の登録に適していることが示された。
さらに、ほとんどの競合製品よりもかなり高速で頑丈です。
関連論文リスト
- Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。
提案手法は3DMatch と ETH のデータセットでよく機能する。
論文 参考訳（メタデータ） (2024-10-29T08:36:23Z) - SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。
提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
論文 参考訳（メタデータ） (2024-05-30T15:55:04Z) - PointDifformer: Robust Point Cloud Registration With Neural Diffusion and Transformer [31.02661827570958]
ポイントクラウド登録は、3Dコンピュータビジョンにおける基本的な技術であり、グラフィック、自律運転、ロボット工学の応用がある。
本稿では,グラフニューラル偏微分方程式(PDE)と熱カーネルシグネチャを利用するロバストポイントクラウド登録手法を提案する。
3Dポイントクラウドデータセットの実証実験により、我々のアプローチは、ポイントクラウド登録のための最先端のパフォーマンスを達成するだけでなく、付加的なノイズや3D形状の摂動に対してより堅牢性を示すことを示した。
論文 参考訳（メタデータ） (2024-04-22T09:50:12Z) - Robust-DefReg: A Robust Deformable Point Cloud Registration Method based
on Graph Convolutional Neural Networks [0.0]
本稿では,グラフ畳み込みネットワーク(GCNN)に基づくロバスト・デフレグを提案する。
提案手法は計算効率を保ちながら大変形の高精度化を実現する。
論文 参考訳（メタデータ） (2023-06-07T18:08:11Z) - LiDAR Point--to--point Correspondences for Rigorous Registration of
Kinematic Scanning in Dynamic Networks [0.0]
本稿では,LiDAR点雲の登録を改善するための新しい軌道調整手法を提案する。
本稿では、新しい観測モデルとして、動的ネットワークにどのように挿入されるか、および対応を選択する方法について述べる。
次に、低コストMEMS慣性センサを用いた実用的な空中レーザー走査シナリオにおける提案手法の性能評価実験について述べる。
論文 参考訳（メタデータ） (2022-01-03T11:53:55Z) - An Efficient Hypergraph Approach to Robust Point Cloud Resampling [57.49817398852218]
ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討
点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。
実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
論文 参考訳（メタデータ） (2021-03-11T23:19:54Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳（メタデータ） (2021-03-04T15:34:43Z) - 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) - 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) - Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。
3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。
本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
論文 参考訳（メタデータ） (2020-01-08T05:30:16Z)
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。