Fugu-MT 論文翻訳(概要): PWR-Align: Leveraging Part-Whole Relationships for Part-wise Rigid Point Cloud Registration in Mixed Reality Applications

論文の概要: PWR-Align: Leveraging Part-Whole Relationships for Part-wise Rigid Point Cloud Registration in Mixed Reality Applications

arxiv url: http://arxiv.org/abs/2306.06717v1
Date: Sun, 11 Jun 2023 16:36:31 GMT
ステータス: 処理完了
システム内更新日: 2023-06-13 17:06:21.706532
Title: PWR-Align: Leveraging Part-Whole Relationships for Part-wise Rigid Point Cloud Registration in Mixed Reality Applications
Title（参考訳）: PWR-Align:複合現実感アプリケーションにおけるパートワイドポイントクラウド登録のためのパートホール関係の活用
Authors: Manorama Jha, Bhaskar Banerjee
Abstract要約: Microsoft HoloLens 2.0 を使用した,高効率で堅牢なポイントクラウド登録 (PCR) ワークフローをパートワイドなポイントクラウドアライメントのために提案する。 PCRはAugmented and Mixed Realityのユースケースにおいて重要な問題であり,非剛性変換の特殊なクラスについて検討する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present an efficient and robust point cloud registration (PCR) workflow for part-wise rigid point cloud alignment using the Microsoft HoloLens 2. Point Cloud Registration (PCR) is an important problem in Augmented and Mixed Reality use cases, and we present a study for a special class of non-rigid transformations. Many commonly encountered objects are composed of rigid parts that move relative to one another about joints resulting in non-rigid deformation of the whole object such as robots with manipulators, and machines with hinges. The workflow presented allows us to register the point cloud with various configurations of the point cloud.
Abstract（参考訳）: Microsoft HoloLens 2.0 を使用した,高効率で堅牢なポイントクラウド登録 (PCR) ワークフローを提案する。ポイントクラウド登録(PCR)は拡張現実と混合現実のユースケースにおいて重要な問題であり、非剛性変換の特殊なクラスについて研究する。一般的に遭遇する物体の多くは、マニピュレータ付きロボットやヒンジ付き機械などの物体全体の非剛性変形を引き起こす関節について互いに相対的に動く剛体部品で構成されている。提示されたワークフローにより、ポイントクラウドのさまざまな構成でポイントクラウドを登録することができます。

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)
LPRnet: A self-supervised registration network for LiDAR and photogrammetric point clouds [38.42527849407057]
LiDARとフォトグラムは、それぞれポイントクラウド取得のためのアクティブおよびパッシブリモートセンシング技術である。感知機構、空間分布、座標系に根本的な違いがあるため、それらの点雲は密度、精度、ノイズ、重なり合いにおいて大きな違いを示す。本稿では, マスク付きオートエンコーダをベースとした自己教師型登録ネットワークを提案し, 異種LiDARと光グラム点雲に着目した。
論文参考訳（メタデータ） (2025-01-10T02:36:37Z)
MEDPNet: Achieving High-Precision Adaptive Registration for Complex Die Castings [10.504847830252254]
本稿では,Multiscale Efficient Deep Closest Point (MEDPNet) と呼ばれる高精度適応型登録手法を提案する。 MEDPNet法は、効率的なDCP法を用いて粗大なダイカストポイントクラウドデータ登録を行い、次いでMDR法を用いて精度の高い登録を行う。提案手法は, 複雑なダイカスト点クラウドデータに適用した場合の, 最先端の幾何学的および学習的登録法と比較して, 優れた性能を示す。
論文参考訳（メタデータ） (2024-03-15T03:42:38Z)
Point Cloud Registration of non-rigid objects in sparse 3D Scans with applications in Mixed Reality [0.0]
本研究では,Augmented/Mixed Realityドメインのユースケースを対象とした,厳密でないクラウド登録の問題について検討する。我々は、互いに相対的に動く部分を持つ剛体物体で起こる特別な非剛体変形に注目する。このようなオブジェクトに対する効率的で堅牢なポイントクラウド登録ワークフローを提案し、Microsoft Hololens 2.0を用いて収集した実世界のデータに基づいて評価する。
論文参考訳（メタデータ） (2022-12-07T18:54:32Z)
PCAM: Product of Cross-Attention Matrices for Rigid Registration of Point Clouds [79.99653758293277]
PCAMは、キー要素がクロスアテンション行列のポイントワイズ積であるニューラルネットワークである。そこで本研究では,PCAMがステップ(a)とステップ(b)をディープネットを介して共同で解決する手法によって,最先端の成果が得られることを示す。
論文参考訳（メタデータ） (2021-10-04T09:23:27Z)
PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2021-08-19T17:58:56Z)
Consistent Two-Flow Network for Tele-Registration of Point Clouds [74.51029406361997]
任意のポーズで提示される点群間の登録を可能とし,重複がほとんどあるいは全くない学習ベースの手法を提案する。本手法は,一群の形状の先行を学習し,部分的な形状を完遂できる新しいニューラルネットワーク設計に基づいている。個別のフローと比較して、この2フローのトレーニングが堅牢で信頼性の高い遠隔登録につながることを示す。
論文参考訳（メタデータ） (2021-06-01T09:03:21Z)
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)
Pseudo-LiDAR Point Cloud Interpolation Based on 3D Motion Representation and Spatial Supervision [68.35777836993212]
我々はPseudo-LiDAR点雲ネットワークを提案し、時間的および空間的に高品質な点雲列を生成する。点雲間のシーンフローを活用することにより,提案ネットワークは3次元空間運動関係のより正確な表現を学習することができる。
論文参考訳（メタデータ） (2020-06-20T03:11:04Z)
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。