論文の概要: HybridPoint: Point Cloud Registration Based on Hybrid Point Sampling and Matching

• arxiv url: http://arxiv.org/abs/2303.16526v2
• Date: Sun, 23 Apr 2023 14:21:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 20:29:17.447678
• Title: HybridPoint: Point Cloud Registration Based on Hybrid Point Sampling and Matching
• Title（参考訳）: HybridPoint: ハイブリッドポイントサンプリングとマッチングに基づくポイントクラウド登録
• Authors: Yiheng Li, Canhui Tang, Runzhao Yao, Aixue Ye, Feng Wen and Shaoyi Du
• Abstract要約: より堅牢で正確な対応を見つけるために,HybridPointベースのネットワークを提案する。 本モデルは3DMatch, 3DLoMatch, KITTIオドメトリーにおける最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 8.255850058549653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patch-to-point matching has become a robust way of point cloud registration. However, previous patch-matching methods employ superpoints with poor localization precision as nodes, which may lead to ambiguous patch partitions. In this paper, we propose a HybridPoint-based network to find more robust and accurate correspondences. Firstly, we propose to use salient points with prominent local features as nodes to increase patch repeatability, and introduce some uniformly distributed points to complete the point cloud, thus constituting hybrid points. Hybrid points not only have better localization precision but also give a complete picture of the whole point cloud. Furthermore, based on the characteristic of hybrid points, we propose a dual-classes patch matching module, which leverages the matching results of salient points and filters the matching noise of non-salient points. Experiments show that our model achieves state-of-the-art performance on 3DMatch, 3DLoMatch, and KITTI odometry, especially with 93.0% Registration Recall on the 3DMatch dataset. Our code and models are available at https://github.com/liyih/HybridPoint.
• Abstract（参考訳）: パッチツーポイントマッチングは、ポイントクラウド登録の堅牢な方法となっている。 しかし、従来のパッチマッチング手法では、ノードとしてローカライズ精度の低いスーパーポイントを採用しており、不明瞭なパッチ分割につながる可能性がある。 本稿では,より堅牢で正確な対応を見つけるためのHybridPointベースのネットワークを提案する。 まず,局所的な特徴を持つサルエントポイントをノードとして使用してパッチの再現性を高め,ポイントクラウドを完備するための一様分散ポイントを導入することで,ハイブリッドポイントを構成することを提案する。 ハイブリッドポイントは、ローカライズ精度が向上するだけでなく、ポイントクラウド全体の全体像も提供します。 さらに,ハイブリッド点の特性に基づいて,正解点の整合性を利用して非正則点の整合性ノイズをフィルタするデュアルクラスパッチマッチングモジュールを提案する。 実験の結果,3DMatch,3DLoMatch,KITTI odometry,特に3DMatchデータセットの93.0%レジストレーションリコールにおいて,我々のモデルは最先端の性能を達成することがわかった。 私たちのコードとモデルはhttps://github.com/liyih/hybridpointで利用可能です。

関連論文リスト

• Zero-Shot Point Cloud Registration [94.39796531154303]
  ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。 ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。 3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
  論文  参考訳（メタデータ） (2023-12-05T11:33:16Z)
• A Strong Baseline for Point Cloud Registration via Direct Superpoints Matching [7.308509114539376]
  本稿では,グローバルなマッチング方式でスーパーポイントの対応を見つけるための,シンプルで効果的なベースラインを提案する。 我々の単純で効果的なベースラインは、3つのデータセットの最先端メソッドと同等かそれ以上の結果を示している。
  論文  参考訳（メタデータ） (2023-07-03T21:33:40Z)
• 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)
• PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
  我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。 パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。 Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
  論文  参考訳（メタデータ） (2023-03-12T14:49:42Z)
• 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)
• Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
  点雲登録のための正確な対応を抽出する問題について検討する。 最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。 本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
  論文  参考訳（メタデータ） (2022-02-14T13:26:09Z)
• 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)
• SnowflakeNet: Point Cloud Completion by Snowflake Point Deconvolution with Skip-Transformer [54.45987960347304]
  完全点雲を生成するために,Snowflake Point Deconvolution (SPD) を用いたSnowflakeNetを提案する。 SPDは、局所的に最も適した点分割パターンを学習する。 我々の実験結果は,広く使用されているベンチマークにおいて,最先端のクラウド補完手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-10T04:33:37Z)
• PointCutMix: Regularization Strategy for Point Cloud Classification [7.6904253666422395]
  本稿では,pointcutmixという,ポイントクラウドデータの簡易かつ効果的な拡張手法を提案する。 2つの点雲間の最適な割り当てを見つけ、1つのサンプルの点を最適に割り当てられたペアに置き換えることで、新しいトレーニングデータを生成する。
  論文  参考訳（メタデータ） (2021-01-05T11:39:06Z)
• 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。