論文の概要: DBDNet:Partial-to-Partial Point Cloud Registration with Dual Branches Decoupling

• arxiv url: http://arxiv.org/abs/2310.11733v1
• Date: Wed, 18 Oct 2023 06:09:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-19 17:38:13.776014
• Title: DBDNet:Partial-to-Partial Point Cloud Registration with Dual Branches Decoupling
• Title（参考訳）: DBDNet:Dual Branchs DecouplingによるPartial-to-Partial Point Cloud登録
• Authors: Shiqi Li, Jihua Zhu, Yifan Xie
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.382633946370978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud registration plays a crucial role in various computer vision tasks, and usually demands the resolution of partial overlap registration in practice. Most existing methods perform a serial calculation of rotation and translation, while jointly predicting overlap during registration, this coupling tends to degenerate the registration performance. In this paper, we propose an effective registration method with dual branches decoupling for partial-to-partial registration, dubbed as DBDNet. Specifically, we introduce a dual branches structure to eliminate mutual interference error between rotation and translation by separately creating two individual correspondence matrices. For partial-to-partial registration, we consider overlap prediction as a preordering task before the registration procedure. Accordingly, we present an overlap predictor that benefits from explicit feature interaction, which is achieved by the powerful attention mechanism to accurately predict pointwise masks. Furthermore, we design a multi-resolution feature extraction network to capture both local and global patterns thus enhancing both overlap prediction and registration module. Experimental results on both synthetic and real datasets validate the effectiveness of our proposed method.
• Abstract（参考訳）: ポイントクラウドの登録は、様々なコンピュータビジョンタスクにおいて重要な役割を果たす。 既存の方法の多くは回転と変換の連続計算を行うが、登録時の重複を共同で予測する一方で、この結合は登録性能を低下させる傾向がある。 本稿では,DBDNetと呼ばれる部分的/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。 具体的には、2つの個別対応行列を別々に作成することにより、回転と変換の相互干渉誤差を解消する二重分岐構造を導入する。 部分的から部分的な登録については、オーバーラップ予測を登録手続きの前に事前注文タスクとみなす。 そこで,我々は,明示的な特徴間相互作用の利点を享受する重なり予測器を提案する。 さらに,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するマルチレゾリューション特徴抽出ネットワークを設計することにより,重複予測と登録モジュールの両方を拡張できる。 提案手法の有効性を,合成データと実データの両方で検証した。

関連論文リスト

• Semi-weakly-supervised neural network training for medical image registration [18.520388065729552]
  本稿では,モデル性能を向上させる半弱制御型登録パイプラインについて述べる。 本稿では,ネットワーク重みの摂動と画像再サンプリングによる2種類の拡張手法について検討する。 589人の男性骨盤MRI画像に8つの解剖学的ROIをラベル付けした実験は、登録性能の向上を示す。
  論文  参考訳（メタデータ） (2024-02-16T14:44:40Z)
• Overlap Bias Matching is Necessary for Point Cloud Registration [21.584033532099134]
  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。
  論文  参考訳（メタデータ） (2023-08-18T07:47:22Z)
• RegFormer: An Efficient Projection-Aware Transformer Network for Large-Scale Point Cloud Registration [73.69415797389195]
  本稿では,大規模クラウドアライメントのためのエンドツーエンドトランス (RegFormer) ネットワークを提案する。 具体的には、プロジェクション対応階層変換器を提案し、長距離依存を捕捉し、外乱をフィルタする。 我々の変圧器は線形複雑であり、大規模シーンでも高い効率が保証される。
  論文  参考訳（メタデータ） (2023-03-22T08:47:37Z)
• 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)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• FINet: Dual Branches Feature Interaction for Partial-to-Partial Point Cloud Registration [31.014309817116175]
  FINetは,複数段階の入力を関連づける情報を有効化・強化する機能を備えた,機能間相互作用に基づく構造である。 実験により,本手法は従来の手法に比べて精度が高く,頑健性も高いことが示された。
  論文  参考訳（メタデータ） (2021-06-07T10:15:02Z)
• 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)
• Unsupervised Partial Point Set Registration via Joint Shape Completion and Registration [15.900382629390297]
  本稿では,部分点集合登録のための自己教師付き手法を提案する。 我々は,部分点集合登録と全点集合登録との間の性能ギャップを埋めるために,形状完備化ネットワークを利用する。 ModelNet40データセットの実験は、部分点集合登録におけるモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2020-09-11T08:50:53Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• 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。