論文の概要: SDFReg: Learning Signed Distance Functions for Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2304.08929v2
- Date: Wed, 10 Jan 2024 13:47:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 04:02:57.314285
- Title: SDFReg: Learning Signed Distance Functions for Point Cloud Registration
- Title(参考訳): SDFReg: ポイントクラウド登録のための署名付き距離関数の学習
- Authors: Leida Zhang, Zhengda Lu, Kai Liu, Yiqun Wang
- Abstract要約: 本稿では,不完全な点群に対する新しい点群登録フレームワークを提案する。
我々は、点雲とニューラル暗黙関数の間の登録問題に、点雲間の剛性登録の問題を置き換える。
本手法は, ノイズや不完全性, 点雲の密度変化といった課題に直面した際, 顕著な堅牢性を示す。
- 参考スコア(独自算出の注目度): 8.465771798353904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning-based point cloud registration methods can handle clean point clouds
well, while it is still challenging to generalize to noisy, partial, and
density-varying point clouds. To this end, we propose a novel point cloud
registration framework for these imperfect point clouds. By introducing a
neural implicit representation, we replace the problem of rigid registration
between point clouds with a registration problem between the point cloud and
the neural implicit function. We then propose to alternately optimize the
implicit function and the registration between the implicit function and point
cloud. In this way, point cloud registration can be performed in a
coarse-to-fine manner. By fully capitalizing on the capabilities of the neural
implicit function without computing point correspondences, our method showcases
remarkable robustness in the face of challenges such as noise, incompleteness,
and density changes of point clouds.
- Abstract(参考訳): 学習ベースのポイントクラウド登録手法はクリーンポイントクラウドをうまく扱えるが、ノイズ、部分的、密度変化のあるポイントクラウドへの一般化は依然として難しい。
この目的のために,これらの不完全なポイントクラウドに対して,新しいポイントクラウド登録フレームワークを提案する。
ニューラル暗黙表現を導入することで,ポイントクラウド間の厳密な登録問題を,ポイントクラウドとニューラル暗黙関数の間の登録問題に置き換える。
次に,暗黙関数と暗黙関数と点クラウドの間の登録を交互に最適化することを提案する。
このように、点雲の登録は粗大な方法で行うことができる。
点対応を計算せずに神経暗黙関数の能力を十分に活用することにより、雑音、不完全性、点雲の密度変化といった課題に直面した際、顕著な堅牢性を示す。
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) - 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) - Point2Point : A Framework for Efficient Deep Learning on Hilbert sorted
Point Clouds with applications in Spatio-Temporal Occupancy Prediction [0.0]
ヒルベルト空間充填曲線によって誘導される局所性保存1次元秩序として点雲を表現する新しい手法を提案する。
また、Hilbert分類のポイントクラウドで効果的に学習できるニューラルネットワークであるPoint2Pointを紹介します。
論文 参考訳(メタデータ) (2023-06-28T15:30:08Z) - PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。
トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。
Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
論文 参考訳(メタデータ) (2022-12-05T03:53:51Z) - Shrinking unit: a Graph Convolution-Based Unit for CNN-like 3D Point
Cloud Feature Extractors [0.0]
我々は、画像領域からのインスピレーションの欠如が、そのようなギャップの主な原因であると主張している。
我々は,CNNのような3Dポイント・クラウド特徴抽出器の設計のために,Shrinkingユニットと呼ばれるグラフ畳み込み単位を提案する。
論文 参考訳(メタデータ) (2022-09-26T15:28:31Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。
3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。
本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
論文 参考訳(メタデータ) (2022-03-08T12:21:35Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳(メタデータ) (2022-02-28T07:46:05Z) - SSPU-Net: Self-Supervised Point Cloud Upsampling via Differentiable
Rendering [21.563862632172363]
地中真理を使わずに高密度の点雲を生成するための自己教師付き点雲アップサンプリングネットワーク(SSPU-Net)を提案する。
これを実現するために,入力スパース点雲と高密度点雲との整合性を利用して画像の形状と描画を行う。
論文 参考訳(メタデータ) (2021-08-01T13:26:01Z) - End-to-End 3D Point Cloud Learning for Registration Task Using Virtual
Correspondences [17.70819292121181]
3Dポイントのクラウド登録は、2つのポイントのクラウド間の厳密な変換を見つけるのが難しいため、依然として非常に難しいトピックである。
本稿では,ポイントクラウド登録問題を解決するために,エンドツーエンドのディープラーニングに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-11-30T06:55:05Z) - 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)
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。