論文の概要: HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion

• arxiv url: http://arxiv.org/abs/2304.04508v1
• Date: Mon, 10 Apr 2023 10:54:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 15:17:38.743390
• Title: HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion
• Title（参考訳）: hybridfusion:lidarとvisionのクロスソースポイントクラウド融合
• Authors: Yu Wang, Shuhui Bu, Lin Chen, Yifei Dong, Kun Li, Xuefeng Cao, Ke Li
• Abstract要約: 我々はHybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。 アウトドアの大きなシーンでは、異なる視角から、ソース間の密集点雲を登録することができる。 提案手法は,定性的,定量的な実験を通じて総合的に評価される。
• 参考スコア（独自算出の注目度）: 15.94976936555104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, cross-source point cloud registration from different sensors has become a significant research focus. However, traditional methods confront challenges due to the varying density and structure of cross-source point clouds. In order to solve these problems, we propose a cross-source point cloud fusion algorithm called HybridFusion. It can register cross-source dense point clouds from different viewing angle in outdoor large scenes. The entire registration process is a coarse-to-fine procedure. First, the point cloud is divided into small patches, and a matching patch set is selected based on global descriptors and spatial distribution, which constitutes the coarse matching process. To achieve fine matching, 2D registration is performed by extracting 2D boundary points from patches, followed by 3D adjustment. Finally, the results of multiple patch pose estimates are clustered and fused to determine the final pose. The proposed approach is evaluated comprehensively through qualitative and quantitative experiments. In order to compare the robustness of cross-source point cloud registration, the proposed method and generalized iterative closest point method are compared. Furthermore, a metric for describing the degree of point cloud filling is proposed. The experimental results demonstrate that our approach achieves state-of-the-art performance in cross-source point cloud registration.
• Abstract（参考訳）: 近年、異なるセンサからのクロスソースポイントクラウドの登録が重要な研究対象となっている。 しかし、従来の手法では、密度や雲の構造が異なっており、問題に直面している。 これらの問題を解決するために,HybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。 屋外の大きなシーンで異なる視角から、ソース間の密集点雲を登録することができる。 登録プロセス全体は細かな手続きである。 まず、点雲を小さなパッチに分割し、大域的な記述子と粗いマッチングプロセスを構成する空間分布に基づいてマッチングパッチセットを選択する。 微細マッチングを実現するため、パッチから2D境界点を抽出し、3D調整して2D登録を行う。 最後に、複数のパッチポーズ推定結果がクラスタ化され、最終ポーズを決定するために融合される。 提案手法は質的および定量的な実験により総合的に評価される。 クロスソースクラウド登録の堅牢性を比較するため,提案手法と一般化された反復的最近点法を比較した。 さらに,点雲充填の程度を記述するための指標を提案する。 実験結果から,本手法はクロスソース・ポイント・クラウドの登録において最先端の性能を実現することを示す。

関連論文リスト

• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression [8.778300313732027]
  異種クラウド圧縮(PCC)フレームワークを提案する。 私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。 本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
  論文  参考訳（メタデータ） (2024-02-11T16:57:08Z)
• Learning Continuous Implicit Field with Local Distance Indicator for Arbitrary-Scale Point Cloud Upsampling [55.05706827963042]
  点雲アップサンプリングは、疎点雲から密度が高く均一に分散した点集合を生成することを目的としている。 従来のメソッドは通常、スパースポイントクラウドをいくつかのローカルパッチ、アップサンプルパッチポイント、すべてのアップサンプルパッチにマージする。 そこで本研究では,点雲のアップサンプリングのために,局所的な先行者によって導かれる符号のない距離場を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-23T01:52:14Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• GenReg: Deep Generative Method for Fast Point Cloud Registration [18.66568286698704]
  我々は,クラウド登録をポイントとする深層生成ニューラルネットワークを探索し,新しいデータ駆動型登録アルゴリズムを提案する。 ModelNet40と7Sceneのデータセットを用いた実験により、提案アルゴリズムが最先端の精度と効率を達成することを示した。
  論文  参考訳（メタデータ） (2021-11-23T10:52:09Z)
• PCAM: Product of Cross-Attention Matrices for Rigid Registration of Point Clouds [79.99653758293277]
  PCAMは、キー要素がクロスアテンション行列のポイントワイズ積であるニューラルネットワークである。 そこで本研究では,PCAMがステップ(a)とステップ(b)をディープネットを介して共同で解決する手法によって,最先端の成果が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-04T09:23:27Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)
• Point Set Voting for Partial Point Cloud Analysis [26.31029112502835]
  近年、ポイントクラウドの分類とセグメンテーションのための技術は、大きな合成データセットを活用することで、驚くべきパフォーマンスを実現している。 本稿では, 局所点集合投票戦略を適用して, 完全点群を符号化した潜在特徴を推定する部分点群解析の一般モデルを提案する。
  論文  参考訳（メタデータ） (2020-07-09T03:37:31Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。