論文の概要: Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2303.13290v1
• Date: Thu, 23 Mar 2023 14:18:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 14:09:07.173189
• Title: Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration
• Title（参考訳）: 部分点クラウド登録のための教師なし深い確率的アプローチ
• Authors: Guofeng Mei and Hao Tang and Xiaoshui Huang and Weijie Wang and Juan Liu and Jian Zhang and Luc Van Gool and Qiang Wu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 74.53755415380171
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep point cloud registration methods face challenges to partial overlaps and rely on labeled data. To address these issues, we propose UDPReg, an unsupervised deep probabilistic registration framework for point clouds with partial overlaps. Specifically, we first adopt a network to learn posterior probability distributions of Gaussian mixture models (GMMs) from point clouds. To handle partial point cloud registration, we apply the Sinkhorn algorithm to predict the distribution-level correspondences under the constraint of the mixing weights of GMMs. To enable unsupervised learning, we design three distribution consistency-based losses: self-consistency, cross-consistency, and local contrastive. The self-consistency loss is formulated by encouraging GMMs in Euclidean and feature spaces to share identical posterior distributions. The cross-consistency loss derives from the fact that the points of two partially overlapping point clouds belonging to the same clusters share the cluster centroids. The cross-consistency loss allows the network to flexibly learn a transformation-invariant posterior distribution of two aligned point clouds. The local contrastive loss facilitates the network to extract discriminative local features. Our UDPReg achieves competitive performance on the 3DMatch/3DLoMatch and ModelNet/ModelLoNet benchmarks.
• Abstract（参考訳）: deep point cloudの登録方法は、部分的なオーバーラップやラベル付きデータに依存する問題に直面している。 これらの問題に対処するため,我々は部分的重なりを持つ点群に対する教師なしの深い確率的登録フレームワークudpregを提案する。 具体的には,まず点雲からガウス混合モデル(gmms)の後方確率分布を学習するネットワークを採用する。 部分点雲の登録を扱うために,GMMの混合重みの制約の下で分布レベルの対応を予測するためにシンクホーンアルゴリズムを適用した。 教師なし学習を実現するために,自己整合性,相互整合性,局所的コントラスト性の3つの分散一貫性に基づく損失を設計する。 自己整合性損失はユークリッド空間と特徴空間のGMMが同一の後続分布を共有することを奨励することによって定式化される。 交差一貫性損失は、同じクラスタに属する2つの点雲の点がクラスタセントロイドを共有しているという事実に由来する。 クロス一貫性損失により、ネットワークは2つの整列点雲の変換不変な後続分布を柔軟に学習することができる。 局所的コントラスト損失は、ネットワークが識別的局所特徴を抽出することを促進する。 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。

関連論文リスト

• Mixing-Denoising Generalizable Occupancy Networks [10.316008740970037]
  現在の最先端の暗黙のニューラル形状モデルは、畳み込みの帰納的バイアスに依存している。 固有モデルバイアスを緩和し、再構成タスクに関連する補助正規化で仮説空間を制約する。 結果として得られたモデルは、ポイントクラウドネットワークからローカルに条件付けされた最初のMLPである。
  論文  参考訳（メタデータ） (2023-11-20T19:05:57Z)
• Overlap Bias Matching is Necessary for Point Cloud Registration [21.584033532099134]
  登録される点雲間のオーバーラップは比較的小さい。 部分点クラウド登録のための教師なしネットワーク Overlap Bias Matching Network (OBMNet) を提案する。
  論文  参考訳（メタデータ） (2023-08-18T07:47:22Z)
• Clustering based Point Cloud Representation Learning for 3D Analysis [80.88995099442374]
  本稿では,ポイントクラウド分析のためのクラスタリングに基づく教師付き学習手法を提案する。 現在のデファクトでシーンワイドなトレーニングパラダイムとは異なり、我々のアルゴリズムは点埋め込み空間上でクラス内のクラスタリングを行う。 我々のアルゴリズムは、有名なポイントクラウドセグメンテーションデータセットの顕著な改善を示している。
  論文  参考訳（メタデータ） (2023-07-27T03:42:12Z)
• 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)
• 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)
• CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration [35.57761839361479]
  CoFiNet (Coarse-to-Fine Network) - キーポイント検出なしで、粗から細まで階層的な対応を抽出する。 我々のモデルは、近傍の点が重なり合うダウンサンプリングノードと一致することを学習する。 点対応は、密度適応マッチングモジュールによって対応するパッチの重複領域から洗練される。
  論文  参考訳（メタデータ） (2021-10-26T23:05:00Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
  点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。 本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。 生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
  論文  参考訳（メタデータ） (2020-03-30T10:34:59Z)

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。