論文の概要: Overlap Bias Matching is Necessary for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2308.09364v1
• Date: Fri, 18 Aug 2023 07:47:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-21 14:07:02.104797
• Title: Overlap Bias Matching is Necessary for Point Cloud Registration
• Title（参考訳）: ポイントクラウド登録に必要なオーバーラップバイアスマッチング
• Authors: Pengcheng Shi, Jie Zhang, Haozhe Cheng, Junyang Wang, Yiyang Zhou, Chenlin Zhao, Jihua Zhu
• Abstract要約: 登録される点雲間のオーバーラップは比較的小さい。 部分点クラウド登録のための教師なしネットワーク Overlap Bias Matching Network (OBMNet) を提案する。
• 参考スコア（独自算出の注目度）: 21.584033532099134
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud registration is a fundamental problem in many domains. Practically, the overlap between point clouds to be registered may be relatively small. Most unsupervised methods lack effective initial evaluation of overlap, leading to suboptimal registration accuracy. To address this issue, we propose an unsupervised network Overlap Bias Matching Network (OBMNet) for partial point cloud registration. Specifically, we propose a plug-and-play Overlap Bias Matching Module (OBMM) comprising two integral components, overlap sampling module and bias prediction module. These two components are utilized to capture the distribution of overlapping regions and predict bias coefficients of point cloud common structures, respectively. Then, we integrate OBMM with the neighbor map matching module to robustly identify correspondences by precisely merging matching scores of points within the neighborhood, which addresses the ambiguities in single-point features. OBMNet can maintain efficacy even in pair-wise registration scenarios with low overlap ratios. Experimental results on extensive datasets demonstrate that our approach's performance achieves a significant improvement compared to the state-of-the-art registration approach.
• Abstract（参考訳）: ポイントクラウド登録は多くのドメインにおいて根本的な問題である。 実際には、登録すべきポイントクラウド間の重なりは比較的小さい可能性がある。 ほとんどの教師なし手法は、重複の効果的な初期評価を欠き、最適下登録精度が向上した。 この問題に対処するために、部分点クラウド登録のための教師なしネットワーク Overlap Bias Matching Network (OBMNet)を提案する。 具体的には,Overlap Bias Matching Module (OBMM) とOverlap Bias Matching Module (OBMM) の2つのコンポーネント,オーバーラップサンプリングモジュールとバイアス予測モジュールを提案する。 これら2つの成分は重なり合う領域の分布を捉え、それぞれ点雲共通構造のバイアス係数を予測するために利用される。 次に,obmmを隣接マップマッチングモジュールと統合し,単一点特徴の曖昧さに対処した近傍点のマッチングスコアを正確にマージすることにより,対応を頑健に識別する。 obmnetは、重複率の低いペア登録シナリオでも有効性を維持することができる。 広範なデータセットを用いた実験の結果,本手法の性能は,最先端の登録手法に比べて大幅に向上することが示された。

関連論文リスト

• DBDNet:Partial-to-Partial Point Cloud Registration with Dual Branches Decoupling [15.382633946370978]
  本稿では,DBDNet と呼ばれる部分-部分的登録のための二枝分離による効果的な登録手法を提案する。 本稿では,特徴の明示的相互作用の利点を生かした重なりの予測器を提案する。 マルチ解像度特徴抽出ネットワークを設計し、局所パターンとグローバルパターンの両方をキャプチャし、重複予測と登録モジュールの両方を強化する。
  論文  参考訳（メタデータ） (2023-10-18T06:09:12Z)
• 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)
• 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)
• 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)
• CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration [35.57761839361479]
  CoFiNet (Coarse-to-Fine Network) - キーポイント検出なしで、粗から細まで階層的な対応を抽出する。 我々のモデルは、近傍の点が重なり合うダウンサンプリングノードと一致することを学習する。 点対応は、密度適応マッチングモジュールによって対応するパッチの重複領域から洗練される。
  論文  参考訳（メタデータ） (2021-10-26T23:05:00Z)
• 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)
• 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)
• 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)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。