論文の概要: Deep Graph-based Spatial Consistency for Robust Non-rigid Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2303.09950v1
• Date: Fri, 17 Mar 2023 13:15:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-20 14:33:56.183620
• Title: Deep Graph-based Spatial Consistency for Robust Non-rigid Point Cloud Registration
• Title（参考訳）: 深いグラフに基づくロバストな非剛点クラウド登録のための空間整合性
• Authors: Zheng Qin, Hao Yu, Changjian Wang, Yuxing Peng and Kai Xu
• Abstract要約: 非剛点雲登録における外部対応プルーニングの問題点について検討する。 剛性登録では、空間整合性は、慣性器から外乱器を識別するために一般的に使用される基準である。 グラフベース空間整合性ネットワーク(GraphSCNet)を提案する。
• 参考スコア（独自算出の注目度）: 34.510680340166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of outlier correspondence pruning for non-rigid point cloud registration. In rigid registration, spatial consistency has been a commonly used criterion to discriminate outliers from inliers. It measures the compatibility of two correspondences by the discrepancy between the respective distances in two point clouds. However, spatial consistency no longer holds in non-rigid cases and outlier rejection for non-rigid registration has not been well studied. In this work, we propose Graph-based Spatial Consistency Network (GraphSCNet) to filter outliers for non-rigid registration. Our method is based on the fact that non-rigid deformations are usually locally rigid, or local shape preserving. We first design a local spatial consistency measure over the deformation graph of the point cloud, which evaluates the spatial compatibility only between the correspondences in the vicinity of a graph node. An attention-based non-rigid correspondence embedding module is then devised to learn a robust representation of non-rigid correspondences from local spatial consistency. Despite its simplicity, GraphSCNet effectively improves the quality of the putative correspondences and attains state-of-the-art performance on three challenging benchmarks. Our code and models are available at https://github.com/qinzheng93/GraphSCNet.
• Abstract（参考訳）: 非剛性点雲登録における異常対応プルーニングの問題について検討する。 厳密な登録では、空間的一貫性は、異常値から外れ値を区別するために一般的に用いられる基準である。 2点の雲における各距離間の差分によって2つの対応の整合性を測定する。 しかし,非剛性症例では空間的整合性はもはや保たず,非剛性登録に対する外周拒絶は十分に研究されていない。 本研究では,グラフベースの空間整合性ネットワーク(GraphSCNet)を提案する。 本手法は,非剛性変形が通常局所的剛性あるいは局所的形状保存であるという事実に基づく。 まず,点雲の変形グラフ上での局所的空間的整合性尺度の設計を行い,グラフノード近傍の対応値間の空間的整合性を評価する。 次に,局所的空間的一貫性から非剛性対応のロバスト表現を学ぶために注意に基づく非剛性対応埋め込みモジュールを考案した。 その単純さにもかかわらず、GraphSCNetは命令対応の品質を効果的に改善し、3つの挑戦的なベンチマークで最先端のパフォーマンスを達成する。 私たちのコードとモデルはhttps://github.com/qinzheng93/graphscnetで利用可能です。

関連論文リスト

• 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)
• Reliability-Adaptive Consistency Regularization for Weakly-Supervised Point Cloud Segmentation [80.07161039753043]
  極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。 本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。 疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T10:41:57Z)
• Robust Point Cloud Registration Framework Based on Deep Graph Matching(TPAMI Version) [13.286247750893681]
  3Dポイントクラウドの登録は、コンピュータビジョンとロボティクスの基本的な問題である。 本稿では,ポイントクラウド登録のための新しいディープグラフマッチング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） (2022-11-09T06:05:25Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  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。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Learning to Register Unbalanced Point Pairs [10.369750912567714]
  最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。 非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
  論文  参考訳（メタデータ） (2022-07-09T08:03:59Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency [38.93610732090426]
  本稿では,空間的整合性を明確に組み込んだ新しいディープニューラルネットワークであるPointDSCを提案する。 本手法は,いくつかの実世界のデータセットにおいて,最先端の手作りおよび学習に基づく異常者拒絶アプローチを上回っている。
  論文  参考訳（メタデータ） (2021-03-09T14:56:08Z)
• Robust Point Cloud Registration Framework Based on Deep Graph Matching [5.865029600972316]
  3Dポイントクラウド登録は、コンピュータビジョンとロボティクスにおける基本的な問題です。 点群登録のための深層グラフマッチングに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-07T04:20:29Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。