Fugu-MT 論文翻訳(概要): Direct Superpoints Matching for Fast and Robust Point Cloud Registration

論文の概要: Direct Superpoints Matching for Fast and Robust Point Cloud Registration

arxiv url: http://arxiv.org/abs/2307.01362v1
Date: Mon, 3 Jul 2023 21:33:40 GMT
ステータス: 処理完了
システム内更新日: 2023-07-06 19:07:42.578378
Title: Direct Superpoints Matching for Fast and Robust Point Cloud Registration
Title（参考訳）: 高速でロバストなクラウド登録のための直接スーパーポイントマッチング
Authors: Aniket Gupta, Yiming Xie, Hanumant Singh, Huaizu Jiang
Abstract要約: スーパーポイントを直接マッチングすることで、対応を抽出する、単純かつ効果的なアプローチを提案する。対応する点を直接予測する手法と比較して、より正確な変換推定が得られる。我々のアプローチは、高速であるだけでなく、挑戦的なModelNetと3DMatchベンチマークの最先端の結果も達成します。
参考スコア（独自算出の注目度）: 6.554326244334866
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Although deep neural networks endow the downsampled superpoints with discriminative feature representations, directly matching them is usually not used alone in state-of-the-art methods, mainly for two reasons. First, the correspondences are inevitably noisy, so RANSAC-like refinement is usually adopted. Such ad hoc postprocessing, however, is slow and not differentiable, which can not be jointly optimized with feature learning. Second, superpoints are sparse and thus more RANSAC iterations are needed. Existing approaches use the coarse-to-fine strategy to propagate the superpoints correspondences to the point level, which are not discriminative enough and further necessitates the postprocessing refinement. In this paper, we present a simple yet effective approach to extract correspondences by directly matching superpoints using a global softmax layer in an end-to-end manner, which are used to determine the rigid transformation between the source and target point cloud. Compared with methods that directly predict corresponding points, by leveraging the rich information from the superpoints matchings, we can obtain more accurate estimation of the transformation and effectively filter out outliers without any postprocessing refinement. As a result, our approach is not only fast, but also achieves state-of-the-art results on the challenging ModelNet and 3DMatch benchmarks. Our code and model weights will be publicly released.
Abstract（参考訳）: ディープニューラルネットワークは、ダウンサンプリングされたスーパーポイントに識別的特徴表現を付与するが、直接マッチングは通常、主に2つの理由から、最先端の方法では使用されない。まず、対応が必然的に騒がしいため、通常ランサック的な洗練が採用される。しかし、このようなアドホックな後処理は遅く、差別化できないため、特徴学習と共同で最適化することはできない。第二に、スーパーポイントはスパースであり、RANSACのイテレーションがもっと必要である。既存のアプローチでは、粗大な戦略を用いて、スーパーポイント対応をポイントレベルに伝播させるが、それは十分に識別できないため、後処理の洗練がさらに必要である。本稿では,大域的ソフトマックス層を用いて直接一致したスーパーポイントをエンド・ツー・エンド方式で抽出し,ソースとターゲットポイント・クラウド間の剛性変換を判定する手法を提案する。対応点を直接予測する手法と比較して、スーパーポイントマッチングからリッチな情報を活用することで、変換をより正確に推定し、後処理の洗練を伴わずにアウトレーヤを効果的にフィルタリングすることができる。その結果、我々のアプローチは高速であるだけでなく、挑戦的なModelNetと3DMatchベンチマークの最先端の結果も達成した。私たちのコードとモデルの重み付けは公開される予定だ。

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)
Robust Point Cloud Registration Framework Based on Deep Graph Matching(TPAMI Version) [13.286247750893681]
3Dポイントクラウドの登録は、コンピュータビジョンとロボティクスの基本的な問題である。本稿では,ポイントクラウド登録のための新しいディープグラフマッチングベースのフレームワークを提案する。
論文参考訳（メタデータ） (2022-11-09T06:05:25Z)
PointCLM: A Contrastive Learning-based Framework for Multi-instance Point Cloud Registration [4.969636478156443]
PointCLMは、ミュートリインスタンスポイントクラウド登録のための対照的な学習ベースのフレームワークである。提案手法は, 合成データと実データの両方において, 最先端の手法よりも大きなマージンで性能を向上する。
論文参考訳（メタデータ） (2022-09-01T04:30:05Z)
Learning to Register Unbalanced Point Pairs [10.369750912567714]
最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
論文参考訳（メタデータ） (2022-07-09T08:03:59Z)
REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2022-03-28T06:01:00Z)
Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
点雲登録のための正確な対応を抽出する問題について検討する。最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
論文参考訳（メタデータ） (2022-02-14T13:26:09Z)
Unsupervised Representation Learning for 3D Point Cloud Data [66.92077180228634]
我々は、教師なしのポイントクラウド学習に対して、シンプルで効果的なアプローチを提案する。特に、原点雲の優れたコントラストバージョンを生成する非常に有用な変換を同定する。本研究では,3次元オブジェクト分類,形状部分分割,シーン分割の3つの下流タスクについて実験を行った。
論文参考訳（メタデータ） (2021-10-13T10:52:45Z)
DeepBBS: Deep Best Buddies for Point Cloud Registration [55.12101890792121]
DeepBBSは、トレーニング中のポイント間の最良の相反する距離を考慮に入れた表現を学ぶための新しい方法である。実験の結果,従来の手法と比較して性能が向上した。
論文参考訳（メタデータ） (2021-10-06T19:00:07Z)
Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-07-06T12:52:22Z)
Robust Point Cloud Registration Framework Based on Deep Graph Matching [5.865029600972316]
3Dポイントクラウド登録は、コンピュータビジョンとロボティクスにおける基本的な問題です。点群登録のための深層グラフマッチングに基づく新しいフレームワークを提案する。
論文参考訳（メタデータ） (2021-03-07T04:20:29Z)
PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification [55.887502438160304]
ポイントホップ法は、Zhangらによって、教師なし特徴抽出を伴う3Dポイントクラウド分類のために提案された。 1)モデルパラメータ数の観点からモデルの複雑さを減らし,2)クロスエントロピー基準に基づいて自動的に識別特徴を順序付けする。 ModelNet40ベンチマークデータセットで実施した実験により、PointHop++法がディープニューラルネットワーク(DNN)ソリューションと同等に動作し、他の教師なし特徴抽出法を上回る性能を示す。
論文参考訳（メタデータ） (2020-02-09T04:49:32Z)

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。