論文の概要: GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and
Light-weight Point Set Registration Algorithm
- arxiv url: http://arxiv.org/abs/2307.02339v1
- Date: Wed, 5 Jul 2023 14:50:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 13:15:36.406220
- Title: GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and
Light-weight Point Set Registration Algorithm
- Title（参考訳）: GAFAR:高速かつ軽量な点集合登録アルゴリズムにおけるグラフ注意機能拡張
- Authors: Ludwig Mohr, Ismail Geles and Friedrich Fraundorfer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 12.592563880121816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rigid registration of point clouds is a fundamental problem in computer
vision with many applications from 3D scene reconstruction to geometry capture
and robotics. If a suitable initial registration is available, conventional
methods like ICP and its many variants can provide adequate solutions. In
absence of a suitable initialization and in the presence of a high outlier rate
or in the case of small overlap though the task of rigid registration still
presents great challenges. The advent of deep learning in computer vision has
brought new drive to research on this topic, since it provides the possibility
to learn expressive feature-representations and provide one-shot estimates
instead of depending on time-consuming iterations of conventional robust
methods. Yet, the rotation and permutation invariant nature of point clouds
poses its own challenges to deep learning, resulting in loss of performance and
low generalization capability due to sensitivity to outliers and
characteristics of 3D scans not present during network training. In this work,
we present a novel fast and light-weight network architecture using the
attention mechanism to augment point descriptors at inference time to optimally
suit the registration task of the specific point clouds it is presented with.
Employing a fully-connected graph both within and between point clouds lets the
network reason about the importance and reliability of points for registration,
making our approach robust to outliers, low overlap and unseen data. We test
the performance of our registration algorithm on different registration and
generalization tasks and provide information on runtime and resource
consumption. The code and trained weights are available at
https://github.com/mordecaimalignatius/GAFAR/.
- Abstract（参考訳）: 点雲の剛体登録はコンピュータビジョンにおける基本的な問題であり、3次元シーン再構成から幾何学的キャプチャー、ロボット工学まで多くの応用がある。
適切な初期登録が利用可能であれば、ICPのような従来の方法とその多くの変種は適切な解決策を提供することができる。
適切な初期化がない場合や、高い外れ率が存在する場合や、少ない重複の場合は、厳格な登録の課題は依然として大きな課題である。
コンピュータビジョンにおけるディープラーニングの出現は、表現力のある特徴表現を学習し、従来のロバストな方法の時間を要する反復に依存するのではなく、ワンショットの見積もりを提供する可能性を提供するため、このトピックの研究に新たな進展をもたらした。
しかしながら、ポイントクラウドの回転と置換不変性は、ディープラーニングに独自の課題をもたらし、ネットワークトレーニング中に存在しない異常値に対する感度と3dスキャンの特性のために、パフォーマンスの低下と一般化能力の低下をもたらす。
本稿では,提案する特定の点雲の登録タスクを最適に適合させるために,予測時に点記述子を増強する注意機構を用いた,高速で軽量なネットワークアーキテクチャを提案する。
ポイントクラウド内とポイントクラウド間で完全に接続されたグラフを使用することで、登録ポイントの重要性と信頼性をネットワークが判断することが可能になります。
我々は,異なる登録および一般化タスクにおける登録アルゴリズムの性能をテストし,実行時およびリソース消費に関する情報を提供する。
コードはhttps://github.com/mordecaimalignatius/GAFAR/で公開されている。
関連論文リスト
- PointMoment:Mixed-Moment-based Self-Supervised Representation Learning
for 3D Point Clouds [11.980787751027872]
我々は,ポイントクラウドによる自己教師型表現学習のための新しいフレームワークであるPointMomentを提案する。
我々のフレームワークは、非対称ネットワークアーキテクチャや勾配停止など特別な技術を必要としない。
論文 参考訳（メタデータ） (2023-12-06T08:49:55Z) - 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) - Zero-Shot Point Cloud Registration [94.39796531154303]
ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。
ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。
3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
論文 参考訳（メタデータ） (2023-12-05T11:33:16Z) - Robust Multiview Point Cloud Registration with Reliable Pose Graph
Initialization and History Reweighting [63.95845583460312]
本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。
提案手法は,3DMatchデータセットの登録リコール率を11%,ScanNetデータセットの登録エラー率を13%向上させる。
論文 参考訳（メタデータ） (2023-04-02T06:43:40Z) - Self-Supervised Point Cloud Representation Learning with Occlusion
Auto-Encoder [63.77257588569852]
本稿では,3D Occlusion Auto-Encoder(3D-OAE)を提案する。
私たちのキーとなるアイデアは、入力ポイントクラウドのローカルパッチをランダムに排除し、隠されたパッチを復元することで監督を確立することです。
従来の手法とは対照的に、我々の3D-OAEは大量のパッチを除去し、少数の可視パッチでしか予測できない。
論文 参考訳（メタデータ） (2022-03-26T14:06:29Z) - Revisiting Point Cloud Simplification: A Learnable Feature Preserving
Approach [57.67932970472768]
MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。
そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。
提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
論文 参考訳（メタデータ） (2021-09-30T10:23:55Z) - Locally Aware Piecewise Transformation Fields for 3D Human Mesh
Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。
パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文 参考訳（メタデータ） (2021-04-16T15:16:09Z) - Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration [80.69255347486693]
我々は、シンプルな機能とキーポイント検出器である Graph-induced feaTure extract Pipeline を導入する。
我々は,点クラウド領域を記述し,有意な点を抽出する汎用的なグラフベース学習手法を構築した。
我々は3Dキーポイントパイプラインをグラフニューラルネットワークで再構成し、ポイントセットの効率的な処理を可能にする。
論文 参考訳（メタデータ） (2020-10-18T19:41:09Z) - Triangle-Net: Towards Robustness in Point Cloud Learning [0.0]
本稿では, 回転, 位置シフト, スケーリングに対する不変性を同時に実現し, 点間隔に頑健な3次元分類手法を提案する。
提案手法は,ModelNet 40分類タスクにおいて,ポイントネットと3DmFVをそれぞれ35.0%,28.1%で上回っている。
論文 参考訳（メタデータ） (2020-02-27T20:42:32Z) - StickyPillars: Robust and Efficient Feature Matching on Point Clouds
using Graph Neural Networks [16.940377259203284]
StickyPillarsは、ポイントクラウド上の高速で正確で、非常に堅牢な3D機能マッチング方法である。
KITTIデータセット上で実証された登録問題に対して,最先端技術による精度評価結果を示す。
我々はマッチングシステムをLiDARオドメトリーパイプラインに統合し、KITTIデータセット上で最も正確な結果を得る。
論文 参考訳（メタデータ） (2020-02-10T17:53:41Z)
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。