論文の概要: Efficient and Deterministic Search Strategy Based on Residual Projections for Point Cloud Registration with Correspondences
- arxiv url: http://arxiv.org/abs/2305.11716v2
- Date: Sat, 11 May 2024 05:03:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 01:42:01.357674
- Title: Efficient and Deterministic Search Strategy Based on Residual Projections for Point Cloud Registration with Correspondences
- Title（参考訳）: 残差予測に基づく対応付きポイントクラウド登録のための効率的・決定論的探索戦略
- Authors: Xinyi Li, Hu Cao, Yinlong Liu, Xueli Liu, Feihu Zhang, Alois Knoll,
- Abstract要約: 現在の3D特徴マッチングアプローチは、通常、多くの外乱対応をもたらし、外乱登録技術は不可欠である。
本稿では,残射影に基づく新しいポーズデカップリング戦略を導入し,生の登録問題を3つのサブプロブレムに分解する。
本手法は,同時ポーズと登録の困難な問題に適応することができる。
- 参考スコア（独自算出の注目度）: 18.509532571594995
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Estimating the rigid transformation between two LiDAR scans through putative 3D correspondences is a typical point cloud registration paradigm. Current 3D feature matching approaches commonly lead to numerous outlier correspondences, making outlier-robust registration techniques indispensable. Many recent studies have adopted the branch and bound (BnB) optimization framework to solve the correspondence-based point cloud registration problem globally and deterministically. Nonetheless, BnB-based methods are time-consuming to search the entire 6-dimensional parameter space, since their computational complexity is exponential to the solution domain dimension in the worst-case. To enhance algorithm efficiency, existing works attempt to decouple the 6 degrees of freedom (DOF) original problem into two 3-DOF sub-problems, thereby reducing the search space. In contrast, our approach introduces a novel pose decoupling strategy based on residual projections, decomposing the raw registration problem into three sub-problems. Subsequently, we embed interval stabbing into BnB to solve these sub-problems within a lower two-dimensional domain, resulting in efficient and deterministic registration. Moreover, our method can be adapted to address the challenging problem of simultaneous pose and registration. Through comprehensive experiments conducted on challenging synthetic and real-world datasets, we demonstrate that the proposed method outperforms state-of-the-art methods in terms of efficiency while maintaining comparable robustness.
- Abstract（参考訳）: 2つのLiDARスキャン間の3次元対応による剛性変換を推定することは、典型的なポイントクラウド登録パラダイムである。
現在の3D特徴マッチングアプローチは、通常、多くの外乱対応をもたらし、外乱登録技術は不可欠である。
近年の多くの研究は、対応ベースのポイントクラウド登録問題を解決するためにブランチ・アンド・バウンド最適化(BnB)フレームワークを採用している。
それでも、BnBベースの手法は、計算複雑性が最悪の場合の解領域次元に指数関数的であるため、6次元のパラメータ空間全体を探索するのに時間を要する。
アルゴリズム効率を向上させるために、既存の作業は6自由度(DOF)元の問題を2つの3自由度サブプロブレムに分離し、探索空間を小さくしようとする。
対照的に,本手法では,残射影に基づく新規なポーズデカップリング戦略を導入し,生の登録問題を3つのサブプロブレムに分解する。
その後、BnBに間隔スタビングを組み込み、これらのサブプロブレムを下位2次元領域内に解決し、効率よく決定論的に登録する。
さらに,本手法は同時ポーズと登録の困難な問題に適応することができる。
合成および実世界のデータセットに挑戦する包括的な実験を通じて、提案手法は、同等の堅牢性を保ちながら、効率の面で最先端の手法より優れていることを示す。
関連論文リスト
- SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。
提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
論文 参考訳（メタデータ） (2024-05-30T15:55:04Z) - Efficient and Robust Point Cloud Registration via Heuristics-guided Parameter Search [44.774302677330105]
配置された3次元対応セットに基づいて6自由度で剛性変換を推定することは、点雲登録において決定的な手順である。
本稿では,高ロバスト性を維持しつつ,探索を高速化するパラメータ探索戦略を提案する。
我々の戦略は検索スペースを大幅に減らし、少数のインサイレントサンプルで精度を保証できる。
論文 参考訳（メタデータ） (2024-04-09T09:28:05Z) - Partial Transport for Point-Cloud Registration [11.62232246430338]
本稿では, 最適部分輸送問題に基づく総合的な非剛性登録手法を提案する。
提案アルゴリズムをスライシングにより拡張し,計算効率を向上する。
提案手法の有効性を実証し, 各種の3次元および2次元非剛性登録問題のベースラインと比較する。
論文 参考訳（メタデータ） (2023-09-27T17:04:22Z) - 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) - An Accelerated Doubly Stochastic Gradient Method with Faster Explicit
Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。
まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文 参考訳（メタデータ） (2022-08-11T22:27:22Z) - A Convergent ADMM Framework for Efficient Neural Network Training [17.764095204676973]
乗算器の交互方向法(ADMM)は多くの分類と回帰の応用において大きな成功を収めた。
本稿では,ADMM (dlADMM) を用いてニューラルネットワークの一般的なトレーニング問題を同時に解くための新しい枠組みを提案する。
提案したdlADMMアルゴリズムの収束, 効率, 有効性を示す7つのベンチマークデータセットの実験を行った。
論文 参考訳（メタデータ） (2021-12-22T01:55:24Z) - A recursive robust filtering approach for 3D registration [3.5270468102327004]
提案手法は, 既往のソリューションではまだ発生していない4つの利点を有する。
固有ノイズ汚染センサデータを扱うことができる。
ノイズのある特徴ローカライゼーションによる不確実性に対して堅牢である。
論文 参考訳（メタデータ） (2021-10-28T07:50:02Z) - Deep Hough Voting for Robust Global Registration [52.40611370293272]
6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。
提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-09-09T14:38:06Z) - Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D
Edge Alignment [85.32080531133799]
本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。
エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。
3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
論文 参考訳（メタデータ） (2020-12-15T11:42:17Z) - 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) - Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。
本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
論文 参考訳（メタデータ） (2020-04-09T01:45:05Z)
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。