論文の概要: Laplacian ICP for Progressive Registration of 3D Human Head Meshes
- arxiv url: http://arxiv.org/abs/2302.02194v1
- Date: Sat, 4 Feb 2023 16:39:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 19:38:51.619161
- Title: Laplacian ICP for Progressive Registration of 3D Human Head Meshes
- Title(参考訳): ラプラシアンicpによる3次元頭部メッシュのプログレッシブ登録
- Authors: Nick Pears, Hang Dai, Will Smith and Hao Sun
- Abstract要約: 古典的非剛性反復閉点(N-ICP)の高効率な変種であるプログレッシブ3次元登録フレームワークを提案する。
変形正則化にLaplace-Beltrami演算子を用いるため、全体プロセスはLaplacian ICP(L-ICP)とみなす。
- 参考スコア(独自算出の注目度): 18.31701623205813
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a progressive 3D registration framework that is a highly-efficient
variant of classical non-rigid Iterative Closest Points (N-ICP). Since it uses
the Laplace-Beltrami operator for deformation regularisation, we view the
overall process as Laplacian ICP (L-ICP). This exploits a `small deformation
per iteration' assumption and is progressively coarse-to-fine, employing an
increasingly flexible deformation model, an increasing number of correspondence
sets, and increasingly sophisticated correspondence estimation. Correspondence
matching is only permitted within predefined vertex subsets derived from
domain-specific feature extractors. Additionally, we present a new benchmark
and a pair of evaluation metrics for 3D non-rigid registration, based on
annotation transfer. We use this to evaluate our framework on a
publicly-available dataset of 3D human head scans (Headspace). The method is
robust and only requires a small fraction of the computation time compared to
the most popular classical approach, yet has comparable registration
performance.
- Abstract(参考訳): 古典的非剛性イテレーティブ・クローズト・ポイント(N-ICP)の高効率な変種であるプログレッシブ3次元登録フレームワークを提案する。
変形正則化にLaplace-Beltrami演算子を用いるので、全体のプロセスはLaplacian ICP (L-ICP) とみなす。
これは「イテレーション毎の小さな変形」という仮定を生かし、徐々に粗くなり、フレキシブルな変形モデル、対応集合の数の増加、より洗練された対応推定を利用する。
対応マッチングは、ドメイン固有の特徴抽出器から派生した予め定義された頂点サブセット内でのみ許可される。
さらに,アノテーション転送に基づく3次元非剛性登録のための新しいベンチマークと2つの評価指標を提案する。
これを、3d human head scans(headspace)の公開データセット上で評価するために使用します。
この手法は頑丈であり、最も一般的な古典的手法と比較して計算時間のごく一部しか必要としないが、登録性能は同等である。
関連論文リスト
- Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration [2.814748676983944]
局所球面ユークリッド3次元等分散特性をSE(3)メッセージパッシングに基づく伝搬により埋め込んだグラフニューラルネットワークモデルを提案する。
我々のモデルは、主に記述モジュール、同変グラフ層、類似性、最終的な回帰層から構成される。
3DMatchおよびKITTIデータセットで行った実験は、最先端のアプローチと比較して、我々のモデルの魅力的で堅牢な性能を示している。
論文 参考訳(メタデータ) (2024-10-08T06:48:01Z) - Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。
我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。
これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
論文 参考訳(メタデータ) (2024-03-01T15:14:47Z) - Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。
そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
論文 参考訳(メタデータ) (2023-04-04T03:48:56Z) - Learning Canonical Embedding for Non-rigid Shape Matching [36.85782408336389]
本稿では,非剛体形状マッチングのための標準埋め込みを学習する新しいフレームワークを提供する。
我々のフレームワークはエンドツーエンドで訓練されており、一般的に使用されているLaplace-Beltramiベースに関連する不安定性と制約を回避する。
論文 参考訳(メタデータ) (2021-10-06T18:09:13Z) - 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) - Locally Aware Piecewise Transformation Fields for 3D Human Mesh
Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。
パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文 参考訳(メタデータ) (2021-04-16T15:16:09Z) - Learning 3D-3D Correspondences for One-shot Partial-to-partial
Registration [66.41922513553367]
学習に基づく部分的対部分的な登録をワンショットで行うことができることを示す。
そこで本研究では,ビンの利用により閉塞点を考慮に入れた最適輸送層を提案する。
結果として得られるOPRNetフレームワークは、標準ベンチマークにおける最先端技術を上回っている。
論文 参考訳(メタデータ) (2020-06-08T12:35:47Z) - Pre-training Is (Almost) All You Need: An Application to Commonsense
Reasoning [61.32992639292889]
事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。
そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。
提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
論文 参考訳(メタデータ) (2020-04-29T10:54:40Z)
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。