論文の概要: Registration of algebraic varieties using Riemannian optimization
- arxiv url: http://arxiv.org/abs/2401.08562v1
- Date: Tue, 16 Jan 2024 18:47:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 18:37:29.502641
- Title: Registration of algebraic varieties using Riemannian optimization
- Title(参考訳): リーマン最適化による代数多様体の登録
- Authors: Florentin Goyens, Coralia Cartis and St\'ephane Chr\'etien
- Abstract要約: 我々は、同じ物体を表すが、異なる座標系で表される2点雲間の変換を求める問題を考察する。
我々のアプローチは、ポイント・ツー・ポイント対応に基づいておらず、ソース・ポイント・クラウドのすべてのポイントとターゲット・ポイント・クラウドのポイントとを一致させる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the point cloud registration problem, the task of finding a
transformation between two point clouds that represent the same object but are
expressed in different coordinate systems. Our approach is not based on a
point-to-point correspondence, matching every point in the source point cloud
to a point in the target point cloud. Instead, we assume and leverage a
low-dimensional nonlinear geometric structure of the data. Firstly, we
approximate each point cloud by an algebraic variety (a set defined by finitely
many polynomial equations). This is done by solving an optimization problem on
the Grassmann manifold, using a connection between algebraic varieties and
polynomial bases. Secondly, we solve an optimization problem on the orthogonal
group to find the transformation (rotation $+$ translation) which makes the two
algebraic varieties overlap. We use second-order Riemannian optimization
methods for the solution of both steps. Numerical experiments on real and
synthetic data are provided, with encouraging results. Our approach is
particularly useful when the two point clouds describe different parts of an
objects (which may not even be overlapping), on the condition that the surface
of the object may be well approximated by a set of polynomial equations. The
first procedure -- the approximation -- is of independent interest, as it can
be used for denoising data that belongs to an algebraic variety. We provide
statistical guarantees for the estimation error of the denoising using Stein's
unbiased estimator.
- Abstract(参考訳): 我々は、同じ対象を表すが異なる座標系で表現される2つの点クラウド間の変換を見つけるタスクである点クラウド登録問題を考える。
我々のアプローチは、ポイント・ツー・ポイント対応に基づいておらず、ソース・ポイント・クラウドのすべてのポイントとターゲット・ポイント・クラウドのポイントとを一致させる。
代わりに、データの低次元非線形幾何構造を仮定し、活用する。
まず、各点雲を代数多様体(有限個の多項式方程式で定義される集合)で近似する。
これは、代数多様体と多項式基底の間の接続を用いて、グラスマン多様体上の最適化問題を解いて行われる。
第二に、直交群上の最適化問題を解くことで、2つの代数多様体が重なり合う変換(回転$+$変換)を求める。
両ステップの解には2階リーマン最適化法を用いる。
実データおよび合成データに関する数値実験を行い、その結果を奨励する。
我々のアプローチは、物体の表面が多項式方程式の集合によってよく近似されるという条件で、2点の雲が物体の異なる部分を記述するときに特に有用である。
最初の手順 -- 近似 -- は独立な興味を持ち、代数多様体に属するデータを定式化するために用いられる。
我々は,stein の unbiased estimator を用いて推定誤差を統計的に保証する。
関連論文リスト
- Diff-PCR: Diffusion-Based Correspondence Searching in Doubly Stochastic
Matrix Space for Point Cloud Registration [35.82753072083472]
最先端の手法では、ソリューションを洗練させるためにRAFTのような反復的な更新が採用されている。
本稿では,最適マッチング行列の探索を予測するために,Denoising Diffusion Modelを利用する新しい手法を提案する。
提案手法は,オンラインバックボーンやホワイトノイズによって提供される任意の初期マッチング行列から検索を開始することで,柔軟性を提供する。
論文 参考訳(メタデータ) (2023-12-31T09:24:28Z) - Polynomial-Time Solutions for ReLU Network Training: A Complexity
Classification via Max-Cut and Zonotopes [70.52097560486683]
我々は、ReLUネットワークの近似の難しさがマックス・カッツ問題の複雑さを反映しているだけでなく、特定の場合において、それと完全に一致することを証明した。
特に、$epsilonleqsqrt84/83-1approx 0.006$とすると、目的値に関して相対誤差$epsilon$でReLUネットワーク対象の近似グローバルデータセットを見つけることはNPハードであることが示される。
論文 参考訳(メタデータ) (2023-11-18T04:41:07Z) - Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。
第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文 参考訳(メタデータ) (2023-02-02T08:33:36Z) - The Curse of Unrolling: Rate of Differentiating Through Optimization [35.327233435055305]
未分化は反復解法を用いて解を近似し、計算経路を通して解を微分する。
我々は,(1)高速収束につながる大きな学習率を選択することができるが,アルゴリズムが任意に長いバーンインフェーズを持つことを受け入れるか,あるいは(2)即時収束につながるより少ない学習率を選択するかのどちらかを示す。
論文 参考訳(メタデータ) (2022-09-27T09:27:29Z) - Alternating Mahalanobis Distance Minimization for Stable and Accurate CP
Decomposition [4.847980206213335]
本稿では, テンソルの特異値とベクトルを導出するための新しい定式化を導入する。
このアルゴリズムのサブスウィープは、既知のランクの正確なCPDに対して超線形収束率を達成することができることを示す。
すると、アルゴリズムは各因子に対するマハラノビス距離を最適化するものであり、基底距離は他の因子に依存していると見なす。
論文 参考訳(メタデータ) (2022-04-14T19:56:36Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-09-30T19:17:35Z) - New Methods for Detecting Concentric Objects With High Accuracy [0.0]
デジタルデータに幾何学的オブジェクトを適合させることは、虹彩検出、自律ナビゲーション、産業ロボット操作など、多くの分野において重要な問題である。
データに幾何学的形状を合わせるには、幾何学的(定形)アプローチと代数的(非定形)アプローチの2つの一般的なアプローチがある。
他の反復的手法の信頼性の高い初期推定として使用できる新しい推定器を開発した。
論文 参考訳(メタデータ) (2021-02-16T08:19:18Z) - Hybrid Trilinear and Bilinear Programming for Aligning Partially
Overlapping Point Sets [85.71360365315128]
多くの応用において、部分重なり合う点集合が対応するRPMアルゴリズムに不変であるようなアルゴリズムが必要である。
まず、目的が立方体有界関数であることを示し、次に、三線型および双線型単相変換の凸エンベロープを用いて、その下界を導出する。
次に、変換変数上の分岐のみを効率よく実行するブランチ・アンド・バウンド(BnB)アルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-01-19T04:24:23Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳(メタデータ) (2020-12-09T20:19:32Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-25T14:00:18Z) - Efficient and Robust Shape Correspondence via Sparsity-Enforced
Quadratic Assignment [16.03666555216332]
そこで我々は,新しい局所的なペアワイズ記述子を導入し,その結果の2次代入を解くための,シンプルで効果的な反復法を開発した。
我々のペアワイズ記述子は、ラプラス・ベルトラミ微分作用素の有限要素近似の剛性と質量反復行列に基づいている。
我々は,大規模データセット,パッチ,ポイントクラウド上での手法の効率性,品質,汎用性を示すために,様々な実験を行った。
論文 参考訳(メタデータ) (2020-03-19T10:56:16Z)
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。