論文の概要: PCRDiffusion: Diffusion Probabilistic Models for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2312.06063v1
• Date: Mon, 11 Dec 2023 01:56:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 17:17:23.364901
• Title: PCRDiffusion: Diffusion Probabilistic Models for Point Cloud Registration
• Title（参考訳）: PCRDiffusion:ポイントクラウド登録のための拡散確率モデル
• Authors: Yue Wu, Yongzhe Yuan, Xiaolong Fan, Xiaoshui Huang, Maoguo Gong and Qiguang Miao
• Abstract要約: 本稿では,ノイズ変換からオブジェクト変換への拡散過程として,ポイントクラウド登録を定式化する新しいフレームワークを提案する。 トレーニング段階では、オブジェクト変換は地中構造変換からランダムな分布へと拡散し、モデルがこのノイズ発生過程を逆転することを学ぶ。 サンプリング段階では、モデルはランダムに生成された出力への変換をプログレッシブな方法で洗練する。
• 参考スコア（独自算出の注目度）: 28.633279452622475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new framework that formulates point cloud registration as a denoising diffusion process from noisy transformation to object transformation. During training stage, object transformation diffuses from ground-truth transformation to random distribution, and the model learns to reverse this noising process. In sampling stage, the model refines randomly generated transformation to the output result in a progressive way. We derive the variational bound in closed form for training and provide implementations of the model. Our work provides the following crucial findings: (i) In contrast to most existing methods, our framework, Diffusion Probabilistic Models for Point Cloud Registration (PCRDiffusion) does not require repeatedly update source point cloud to refine the predicted transformation. (ii) Point cloud registration, one of the representative discriminative tasks, can be solved by a generative way and the unified probabilistic formulation. Finally, we discuss and provide an outlook on the application of diffusion model in different scenarios for point cloud registration. Experimental results demonstrate that our model achieves competitive performance in point cloud registration. In correspondence-free and correspondence-based scenarios, PCRDifussion can both achieve exceeding 50\% performance improvements.
• Abstract（参考訳）: 本稿では,ノイズ変換からオブジェクト変換への拡散過程として,ポイントクラウド登録を定式化する新しいフレームワークを提案する。 トレーニング段階では、オブジェクト変換は基底変換からランダム分布へと拡散し、モデルはこのノイズ処理を逆転することを学習する。 サンプリング段階では、モデルはランダムに生成された出力への変換を進行的に洗練する。 我々は、トレーニングのための閉形式における変分境界を導出し、モデルの実装を提供する。 私たちの研究は以下の重要な発見をもたらします。 i) 既存の手法と対照的に, 拡散確率モデルを用いたポイントクラウド登録(pcrdiffusion)では, 予測変換を洗練するために, ソースポイントクラウドの更新を繰り返し必要としない。 (ii)代表的な判別課題の一つであるポイントクラウド登録は、生成的方法と統一確率的定式化によって解決することができる。 最後に,ポイントクラウド登録の異なるシナリオにおける拡散モデルの適用に関する展望と展望について述べる。 実験により,本モデルがポイントクラウド登録における競合性能を達成することを示す。 対応のないシナリオと対応ベースのシナリオでは、pcrdifussionはともに50\%以上のパフォーマンス改善を達成できる。

関連論文リスト

• Point Cloud Resampling with Learnable Heat Diffusion [58.050130177241186]
  ポイントクラウド再サンプリングのための学習可能な熱拡散フレームワークを提案する。 前の固定された拡散モデルとは異なり、適応条件は点雲の幾何学的特徴を選択的に保存する。
  論文  参考訳（メタデータ） (2024-11-21T13:44:18Z)
• Diffusion Forcing: Next-token Prediction Meets Full-Sequence Diffusion [61.03681839276652]
  拡散強制(Diffusion Forcing)は、拡散モデルをトレーニングし、トークンの集合に独立した音レベルを付与する、新たなトレーニングパラダイムである。 因果的次トーケン予測モデルを訓練して1つまたは複数の未来のトークンを生成することで、シーケンス生成モデルに拡散強制を適用する。
  論文  参考訳（メタデータ） (2024-07-01T15:43:25Z)
• Enhancing Diffusion-based Point Cloud Generation with Smoothness Constraint [5.140589325829964]
  拡散モデルはポイントクラウド生成タスクで人気がある。 点雲生成のための拡散フレームワークに局所的滑らか性制約を組み込むことを提案する。 実験により、提案モデルが現実的な形状とスムーズな点雲を生成できることを示した。
  論文  参考訳（メタデータ） (2024-04-03T01:55:15Z)
• DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
  ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。 実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• SE(3) Diffusion Model-based Point Cloud Registration for Robust 6D Object Pose Estimation [66.16525145765604]
  実世界のシナリオにおける6次元オブジェクトポーズ推定のためのSE(3)拡散モデルに基づく点クラウド登録フレームワークを提案する。 提案手法は,3次元登録タスクをデノナイズ拡散過程として定式化し,音源雲の姿勢を段階的に洗練する。 実世界のTUD-L, LINEMOD, およびOccluded-LINEMODデータセットにおいて, 拡散登録フレームワークが顕著なポーズ推定性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-26T12:47:26Z)
• Towards Controllable Diffusion Models via Reward-Guided Exploration [15.857464051475294]
  強化学習(RL)による拡散モデルの学習段階を導く新しい枠組みを提案する。 RLは、政策そのものではなく、指数スケールの報酬に比例したペイオフ分布からのサンプルによる政策勾配を計算することができる。 3次元形状と分子生成タスクの実験は、既存の条件拡散モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-14T13:51:26Z)
• ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion Trajectories [144.03939123870416]
  本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。 いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。 我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
  論文  参考訳（メタデータ） (2023-02-05T12:48:21Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• Planning with Learned Dynamic Model for Unsupervised Point Cloud Registration [25.096635750142227]
  我々は,変換ネットワークと評価ネットワークから構成される点雲の潜在動的モデルを開発する。 我々は、ポイントクラウド登録プロセスにおける報酬を最大化し、計画方針を反復的に更新するためにクロスエントロピー法(CEM)を用いる。 ModelNet40および7Sceneベンチマークデータセットの実験結果から,本手法は教師なしで良好な登録性能が得られることが示された。
  論文  参考訳（メタデータ） (2021-08-05T13:47:11Z)
• Diffusion Probabilistic Models for 3D Point Cloud Generation [12.257593992442732]
  我々は,様々な3次元視覚タスクにおいて重要なポイントクラウド生成の確率モデルを提案する。 非平衡熱力学における拡散過程にインスパイアされ、熱浴に接触した熱力学系における点雲の点を粒子とみなす。 我々は、トレーニングのための閉形式における変分境界を導出し、モデルの実装を提供する。
  論文  参考訳（メタデータ） (2021-03-02T03:56:02Z)

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。