論文の概要: Robust-DefReg: A Robust Deformable Point Cloud Registration Method based
on Graph Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2306.04701v1
- Date: Wed, 7 Jun 2023 18:08:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 18:13:16.109969
- Title: Robust-DefReg: A Robust Deformable Point Cloud Registration Method based
on Graph Convolutional Neural Networks
- Title（参考訳）: robust-defreg:グラフ畳み込みニューラルネットワークに基づく頑健な変形可能な点クラウド登録法
- Authors: Sara Monji-Azad, Marvin Kinz, J\"urgen Hesser
- Abstract要約: 本稿では,グラフ畳み込みネットワーク(GCNN)に基づくロバスト・デフレグを提案する。
提案手法は計算効率を保ちながら大変形の高精度化を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Point cloud registration is a fundamental problem in computer vision that
aims to estimate the transformation between corresponding sets of points.
Non-rigid registration, in particular, involves addressing challenges including
various levels of deformation, noise, outliers, and data incompleteness. This
paper introduces Robust-DefReg, a robust non-rigid point cloud registration
method based on graph convolutional networks (GCNNs). Robust-DefReg is a
coarse-to-fine registration approach within an end-to-end pipeline, leveraging
the advantages of both coarse and fine methods. The method learns global
features to find correspondences between source and target point clouds, to
enable appropriate initial alignment, and subsequently fine registration. The
simultaneous achievement of high accuracy and robustness across all challenges
is reported less frequently in existing studies, making it a key objective of
the Robust-DefReg method. The proposed method achieves high accuracy in large
deformations while maintaining computational efficiency. This method possesses
three primary attributes: high accuracy, robustness to different challenges,
and computational efficiency. The experimental results show that the proposed
Robust-DefReg holds significant potential as a foundational architecture for
future investigations in non-rigid point cloud registration. The source code of
Robust-DefReg is available.
- Abstract（参考訳）: ポイントクラウド登録は、対応するポイントセット間の変換を推定することを目的としたコンピュータビジョンにおける基本的な問題である。
特に、非剛性登録は、様々なレベルの変形、ノイズ、外れ値、データ不完全性といった課題に対処する。
本稿では,グラフ畳み込みネットワーク(gcnn)に基づくロバストな非剛性点クラウド登録手法であるロバストdefregを提案する。
Robust-DefRegはエンドツーエンドパイプライン内の粗大な登録アプローチであり、粗大なメソッドと細かなメソッドの両方の利点を活用する。
この方法はグローバル特徴を学習し、ソースとターゲットポイントクラウド間の対応を見つけ、適切な初期アライメントを可能にし、その後、詳細な登録を行う。
全ての課題にまたがる高い精度と堅牢性の同時達成は、既存の研究では報告されていないため、ロバスト・デフレグ法の重要な目的である。
提案手法は計算効率を保ちながら大変形の高精度化を実現する。
この手法には3つの主要な特性がある:高い精度、異なる課題に対する堅牢性、計算効率である。
実験結果から,ロバスト・デフレグは非剛点クラウド登録における今後の研究の基盤となるアーキテクチャとして大きな可能性を示唆している。
Robust-DefRegのソースコードが公開されている。
関連論文リスト
- Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。
そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-25T16:48:44Z) - 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) - DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。
提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
論文 参考訳（メタデータ） (2023-12-05T16:47:46Z) - 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) - GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and
Light-weight Point Set Registration Algorithm [12.592563880121816]
点雲の厳格な登録は コンピュータビジョンの根本的な問題です
コンピュータビジョンにおけるディープラーニングは、このトピックの研究に新たな動機をもたらした。
本稿では,アテンション機構を用いた高速で軽量なネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-07-05T14:50:36Z) - GraphReg: Dynamical Point Cloud Registration with Geometry-aware Graph
Signal Processing [0.0]
本研究では,3次元点雲登録のための高精度,効率的,物理的に誘導された手法を提案する。
我々は、粒子(点)の動きを制御し、より正確で頑健な登録を実現するために、幾何学を意識した剛体力学を探求する。
その結果,提案手法は精度において最先端の手法よりも優れており,大規模点雲の登録に適していることがわかった。
論文 参考訳（メタデータ） (2023-02-02T14:06:46Z) - 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) - 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) - 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) - 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) - RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。
既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
論文 参考訳（メタデータ） (2020-03-30T13:45:27Z)
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。