論文の概要: Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric

• arxiv url: http://arxiv.org/abs/2306.00552v1
• Date: Thu, 1 Jun 2023 11:16:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-02 16:55:24.327762
• Title: Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric
• Title（参考訳）: 局所幾何駆動距離計測による3次元点クラウドモデリングの可能性の解明
• Authors: Siyu Ren and Junhui Hou
• Abstract要約: そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
• 参考スコア（独自算出の注目度）: 62.365983810610985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying the dissimilarity between two unstructured 3D point clouds is a challenging task, with existing metrics often relying on measuring the distance between corresponding points that can be either inefficient or ineffective. In this paper, we propose a novel distance metric called Calibrated Local Geometry Distance (CLGD), which computes the difference between the underlying 3D surfaces calibrated and induced by a set of reference points. By associating each reference point with two given point clouds through computing its directional distances to them, the difference in directional distances of an identical reference point characterizes the geometric difference between a typical local region of the two point clouds. Finally, CLGD is obtained by averaging the directional distance differences of all reference points. We evaluate CLGD on various optimization and unsupervised learning-based tasks, including shape reconstruction, rigid registration, scene flow estimation, and feature representation. Extensive experiments show that CLGD achieves significantly higher accuracy under all tasks in a memory and computationally efficient manner, compared with existing metrics. As a generic metric, CLGD has the potential to advance 3D point cloud modeling. The source code is publicly available at https://github.com/rsy6318/CLGD.
• Abstract（参考訳）: 2つの非構造的な3次元点雲の相似性を定量化することは難しい課題であり、既存の測定基準は、しばしば非効率または非効率な対応する点間の距離を測定することに依存する。 本稿では,基準点の集合によってキャリブレーションおよび誘導される基礎となる3次元表面の差を計算する,Callibrated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 各基準点を2つの所定の点雲に関連付けることにより、その方向距離を計算し、同一基準点の方向距離の違いは、2つの点雲の典型的な局所領域間の幾何学的差を特徴付ける。 最後に、すべての基準点の方向距離差を平均してclgdを得る。 形状復元,剛性登録,シーンフロー推定,特徴表現など,様々な最適化と教師なし学習に基づくタスクについてclgdを評価した。 大規模な実験により、CLGDは既存のメトリクスと比較して、メモリ上の全てのタスクにおいて大幅に精度が高く、計算的に効率的であることが示されている。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。 ソースコードはhttps://github.com/rsy6318/CLGDで公開されている。

関連論文リスト

• Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
  ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。 この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。 我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。 点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
  論文  参考訳（メタデータ） (2025-02-12T10:44:36Z)
• PDM-SSD: Single-Stage Three-Dimensional Object Detector With Point Dilation [7.113034810057012]
  現在のポイントベースの検出器は、提供されたポイントからしか学べない。 単段3次元検出のための新しい点拡散機構(PDM-SSD)を提案する。 PDM-SSDは,68フレームの推論速度を持つ単一モード法において,マルチクラス検出の最先端性を実現する。
  論文  参考訳（メタデータ） (2025-02-10T12:41:13Z)
• Measuring the Discrepancy between 3D Geometric Models using Directional Distance Fields [98.15456815880911]
  本稿では,DirDistを提案する。DirDistは3次元幾何データに対して,効率的で効果的で,頑健で,微分可能な距離測定法である。 一般的な距離計量として、DirDistは3次元幾何学モデリングの分野を前進させる可能性がある。
  論文  参考訳（メタデータ） (2024-01-18T05:31:53Z)
• PointOcc: Cylindrical Tri-Perspective View for Point-based 3D Semantic Occupancy Prediction [72.75478398447396]
  本稿では,点雲を効果的かつ包括的に表現する円筒型三重対視図を提案する。 また,LiDAR点雲の距離分布を考慮し,円筒座標系における三点ビューを構築した。 プロジェクション中に構造の詳細を維持するために空間群プーリングを使用し、各TPV平面を効率的に処理するために2次元バックボーンを採用する。
  論文  参考訳（メタデータ） (2023-08-31T17:57:17Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• Soft Expectation and Deep Maximization for Image Feature Detection [68.8204255655161]
  質問をひっくり返し、まず繰り返し可能な3Dポイントを探し、次に検出器を訓練して画像空間にローカライズする、反復的半教師付き学習プロセスSEDMを提案する。 以上の結果から,sdmを用いてトレーニングした新しいモデルでは,シーン内の下位3dポイントのローカライズが容易になった。
  論文  参考訳（メタデータ） (2021-04-21T00:35:32Z)
• Point-set Distances for Learning Representations of 3D Point Clouds [21.860204082926415]
  本稿では,3次元点雲の表現を学習するために,スライスされたワッサースタイン距離という,ワッサーシュタイン距離の変種を用いることを提案する。 実験により、スライスされたワッサースタイン距離により、ニューラルネットワークはチャンファーの差よりも効率的な表現を学習できることが示された。
  論文  参考訳（メタデータ） (2021-02-08T06:09:13Z)

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。