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

• Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
  点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。 クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。 我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
  論文  参考訳（メタデータ） (2024-07-04T03:35:02Z)
• ESP-Zero: Unsupervised enhancement of zero-shot classification for Extremely Sparse Point cloud [7.066196862701362]
  極端に疎い点群に対する点群エンコーダを強化するための教師なしモデル適応手法を提案する。 本稿では,学習可能なトークンとアテンションブロックを追加して,事前学習した自己注意層を拡張する,新しいファセットクロスアテンション層を提案する。 また,無関係なテキスト埋め込みから,修正された特徴を引き離すための補完的な学習ベースの自己蒸留スキーマを提案する。
  論文  参考訳（メタデータ） (2024-04-30T15:42:45Z)
• PointDifformer: Robust Point Cloud Registration With Neural Diffusion and Transformer [31.02661827570958]
  ポイントクラウド登録は、3Dコンピュータビジョンにおける基本的な技術であり、グラフィック、自律運転、ロボット工学の応用がある。 本稿では,グラフニューラル偏微分方程式(PDE)と熱カーネルシグネチャを利用するロバストポイントクラウド登録手法を提案する。 3Dポイントクラウドデータセットの実証実験により、我々のアプローチは、ポイントクラウド登録のための最先端のパフォーマンスを達成するだけでなく、付加的なノイズや3D形状の摂動に対してより堅牢性を示すことを示した。
  論文  参考訳（メタデータ） (2024-04-22T09:50:12Z)
• 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)
• 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)
• 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。