論文の概要: One-Nearest Neighborhood Guides Inlier Estimation for Unsupervised Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2307.14019v1
• Date: Wed, 26 Jul 2023 08:04:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-27 13:09:23.572270
• Title: One-Nearest Neighborhood Guides Inlier Estimation for Unsupervised Point Cloud Registration
• Title（参考訳）: 監督されていない点群登録のための1Nearest Neighborhood Guides Inlier Estimation
• Authors: Yongzhe Yuan, Yue Wu, Maoguo Gong, Qiguang Miao and A. K. Qin
• Abstract要約: 教師なしポイントクラウド登録のための効果的な不整合推定法を提案する。 ソースポイントクラウドと対応するリファレンスポイントクラウドコピーとの間の幾何学的構造整合性を捉える。 提案したモデルを教師なしで訓練し,提案手法の有効性を示す合成および実世界のデータセットの実験を行った。
• 参考スコア（独自算出の注目度）: 24.275038551236907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The precision of unsupervised point cloud registration methods is typically limited by the lack of reliable inlier estimation and self-supervised signal, especially in partially overlapping scenarios. In this paper, we propose an effective inlier estimation method for unsupervised point cloud registration by capturing geometric structure consistency between the source point cloud and its corresponding reference point cloud copy. Specifically, to obtain a high quality reference point cloud copy, an One-Nearest Neighborhood (1-NN) point cloud is generated by input point cloud. This facilitates matching map construction and allows for integrating dual neighborhood matching scores of 1-NN point cloud and input point cloud to improve matching confidence. Benefiting from the high quality reference copy, we argue that the neighborhood graph formed by inlier and its neighborhood should have consistency between source point cloud and its corresponding reference copy. Based on this observation, we construct transformation-invariant geometric structure representations and capture geometric structure consistency to score the inlier confidence for estimated correspondences between source point cloud and its reference copy. This strategy can simultaneously provide the reliable self-supervised signal for model optimization. Finally, we further calculate transformation estimation by the weighted SVD algorithm with the estimated correspondences and corresponding inlier confidence. We train the proposed model in an unsupervised manner, and extensive experiments on synthetic and real-world datasets illustrate the effectiveness of the proposed method.
• Abstract（参考訳）: 教師なしのクラウド登録手法の精度は、特に部分的に重複するシナリオにおいて、信頼性の高いインリアリヤ推定と自己監督信号の欠如によって制限される。 本稿では,源点クラウドと対応する基準点クラウドコピー間の幾何的構造整合性を把握し,教師なしの点クラウド登録のための効果的な不整合推定手法を提案する。 具体的には、高品質な基準点クラウドコピーを得るために、入力点クラウドによりワンネアレス(1-NN)ポイントクラウドを生成する。 これによりマッチングマップの構築が容易になり、1-nnポイントクラウドと入力ポイントクラウドの2つの近傍マッチングスコアを統合することで、マッチング信頼性が向上する。 高品質な参照コピーに特化して、不整合とその近傍のグラフは、ソースポイントクラウドと対応する参照コピーとの間に整合性を持つべきであると論じる。 この観察に基づいて,変換不変な幾何構造表現を構築し,幾何構造一貫性を捉えることにより,原点雲とその参照コピー間の推定対応に対する信頼度を推定する。 この戦略はモデル最適化のための信頼性の高い自己教師付き信号も同時に提供する。 最後に、重み付きSVDアルゴリズムによる変換推定を、推定対応度と対応する不整合信頼度で計算する。 提案モデルを教師なしでトレーニングし,提案手法の有効性を示す合成および実世界のデータセットに関する広範な実験を行った。

関連論文リスト

• 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)
• GeoMAE: Masked Geometric Target Prediction for Self-supervised Point Cloud Pre-Training [16.825524577372473]
  幾何学的特徴再構成に基づくポイントクラウド表現学習フレームワークを提案する。 我々は,3つの自己教師型学習目標を特異点雲,すなわちセントロイド予測,正規推定,曲率予測と同定する。 私たちのパイプラインは概念的にはシンプルで、まずポイントのグループをランダムにマスキングし、次にTransformerベースのポイントクラウドエンコーダという2つの大きなステップで構成されています。
  論文  参考訳（メタデータ） (2023-05-15T17:14:55Z)
• Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration [74.53755415380171]
  ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。 部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。 UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
  論文  参考訳（メタデータ） (2023-03-23T14:18:06Z)
• PointCA: Evaluating the Robustness of 3D Point Cloud Completion Models Against Adversarial Examples [63.84378007819262]
  本稿では,3次元クラウド完了モデルに対する最初の逆攻撃であるPointCAを提案する。 ポイントCAは、元のものと高い類似性を維持する逆点雲を生成することができる。 その結果,PointCAは77.9%から16.7%に低下し,その構造は0.01以下であることがわかった。
  論文  参考訳（メタデータ） (2022-11-22T14:15:41Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• TCDM: Transformational Complexity Based Distortion Metric for Perceptual Point Cloud Quality Assessment [24.936061591860838]
  客観的クラウド品質評価(PCQA)研究の目標は、ポイントクラウド品質を一貫した方法で測定するメトリクスを開発することである。 歪んだ点雲を基準に戻す複雑さを計測することで点雲の質を評価する。 提案手法の有効性を,5つのパブリッククラウド品質評価データベース上で行った広範囲な実験を通じて評価した。
  論文  参考訳（メタデータ） (2022-10-10T13:20:51Z)
• 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)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Reliable Inlier Evaluation for Unsupervised Point Cloud Registration [26.883254695961682]
  本研究では,ロバストな無監督点雲登録のための周辺コンセンサスに基づく信頼性の高い不整合性評価手法を提案する。 震源近傍とそれに対応する擬似目標近傍の識別的幾何学的差異を効果的不等式識別のために捉えることが期待されている。 教師なし環境下では,ハマー関数に基づく大域的アライメント損失,局所的な地域的コンセンサス損失,空間的一貫性損失をモデル最適化に用いる。
  論文  参考訳（メタデータ） (2022-02-23T03:46:42Z)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)

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。