論文の概要: SphereNet: Learning a Noise-Robust and General Descriptor for Point
Cloud Registration
- arxiv url: http://arxiv.org/abs/2307.09351v1
- Date: Tue, 18 Jul 2023 15:37:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 14:04:10.404030
- Title: SphereNet: Learning a Noise-Robust and General Descriptor for Point
Cloud Registration
- Title(参考訳): spherenet: ポイントクラウド登録のためのノイズロバストと一般記述子を学ぶ
- Authors: Guiyu Zhao and Zhentao Guo and Xin Wang and Hongbin Ma
- Abstract要約: 我々はSphereNetを導入して、ポイントクラウド登録のためのノイズロスと見えない汎用記述子を学習する。
提案手法を評価するために, 強い雑音を有する3DMatch-noiseのベンチマークを新たに導入した。
3DMatchおよび3DLoMatchベンチマークの93.5%と75.6%の登録リコールで、最先端のパフォーマンスを新たに設定した。
- 参考スコア(独自算出の注目度): 5.641476052216014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud registration is to estimate a transformation to align point
clouds collected in different perspectives. In learning-based point cloud
registration, a robust descriptor is vital for high-accuracy registration.
However, most methods are susceptible to noise and have poor generalization
ability on unseen datasets. Motivated by this, we introduce SphereNet to learn
a noise-robust and unseen-general descriptor for point cloud registration. In
our method, first, the spheroid generator builds a geometric domain based on
spherical voxelization to encode initial features. Then, the spherical
interpolation of the sphere is introduced to realize robustness against noise.
Finally, a new spherical convolutional neural network with spherical integrity
padding completes the extraction of descriptors, which reduces the loss of
features and fully captures the geometric features. To evaluate our methods, a
new benchmark 3DMatch-noise with strong noise is introduced. Extensive
experiments are carried out on both indoor and outdoor datasets. Under
high-intensity noise, SphereNet increases the feature matching recall by more
than 25 percentage points on 3DMatch-noise. In addition, it sets a new
state-of-the-art performance for the 3DMatch and 3DLoMatch benchmarks with
93.5\% and 75.6\% registration recall and also has the best generalization
ability on unseen datasets.
- Abstract(参考訳): ポイントクラウド登録は、異なる視点で収集されたポイントクラウドを調整するための変換を見積もることである。
学習ベースのポイントクラウド登録では、堅牢なディスクリプタが高精度な登録に不可欠である。
しかし、ほとんどのメソッドはノイズに影響を受けやすく、見えないデータセットの一般化能力が低い。
この動機付けにより,spherenet では,ポイントクラウド登録のためのノイズロバストかつ未認識のディスクリプタを学習する。
本手法では,まず,球状ボクセル化に基づく幾何学的領域を構築し,初期特徴を符号化する。
そして, 球面の球面補間を導入し, 騒音に対するロバスト性を実現する。
最後に、球面的完全性パディングを備えた新しい球形畳み込みニューラルネットワークは、ディスクリプタの抽出を完了し、特徴の損失を減らし、幾何学的特徴を完全にキャプチャする。
提案手法を評価するため, 強い雑音を有する3DMatch-noiseを新たに導入した。
大規模な実験は屋内および屋外の両方で実施される。
高い雑音下では、spherenetは3dmatch-noiseで機能マッチングリコールを25ポイント以上増加させる。
さらに、93.5\%と75.6\%の登録リコールを持つ3dmatchと3dlomatchベンチマークの新たな最先端性能を設定し、未発見のデータセットで最高の一般化能力も備えている。
関連論文リスト
- PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。
我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
論文 参考訳(メタデータ) (2024-07-19T06:29:57Z) - PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in
a Large Field of View with Perturbations [27.45001809414096]
PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。
ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。
我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。
我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
論文 参考訳(メタデータ) (2024-01-06T08:58:15Z) - 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) - 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) - PointPatchMix: Point Cloud Mixing with Patch Scoring [58.58535918705736]
我々は、パッチレベルでポイントクラウドを混合し、混合ポイントクラウドのコンテンツベースターゲットを生成するPointPatchMixを提案する。
パッチスコアリングモジュールは、事前学習した教師モデルから、コンテンツに基づく重要度スコアに基づいて目標を割り当てる。
Point-MAE をベースラインとして,ScanObjectNN では86.3%,ModelNet40 では94.1% の精度で,従来の手法をかなり上回りました。
論文 参考訳(メタデータ) (2023-03-12T14:49:42Z) - 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) - Learning Semantic Segmentation of Large-Scale Point Clouds with Random
Sampling [52.464516118826765]
我々はRandLA-Netを紹介した。RandLA-Netは、大規模ポイントクラウドのポイントごとの意味を推論する、効率的で軽量なニューラルネットワークアーキテクチャである。
我々のアプローチの鍵は、より複雑な点選択アプローチではなく、ランダムな点サンプリングを使用することである。
我々のRandLA-Netは、既存のアプローチよりも最大200倍高速な1回のパスで100万ポイントを処理できます。
論文 参考訳(メタデータ) (2021-07-06T05:08:34Z) - OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud
Registration [31.108056345511976]
OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。
マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
論文 参考訳(メタデータ) (2021-03-01T11:59:59Z) - SpinNet: Learning a General Surface Descriptor for 3D Point Cloud
Registration [57.28608414782315]
ローカルな特徴を抽出するために、SpinNetと呼ばれる新しい、概念的にはシンプルで、ニューラルなアーキテクチャを導入する。
屋内と屋外の両方の実験では、SpinNetが既存の最先端技術より優れていることが示されている。
論文 参考訳(メタデータ) (2020-11-24T15:00:56Z) - PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks
with Adaptive Sampling [39.36827481232841]
本稿では,ロバストポイントクラウド処理のための新しいエンドツーエンドネットワークであるPointASNLを提案する。
このアプローチの主要なコンポーネントは、アダプティブサンプリング(AS)モジュールです。
私たちのASモジュールは、ポイントクラウドの機能学習の恩恵を受けるだけでなく、アウトレーヤのバイアス効果も緩和します。
論文 参考訳(メタデータ) (2020-03-01T14:04:08Z)
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。