論文の概要: Multiway Point Cloud Mosaicking with Diffusion and Global Optimization

• arxiv url: http://arxiv.org/abs/2404.00429v1
• Date: Sat, 30 Mar 2024 17:29:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 03:49:50.850580
• Title: Multiway Point Cloud Mosaicking with Diffusion and Global Optimization
• Title（参考訳）: 拡散と大域最適化によるマルチウェイポイントクラウドモザイク
• Authors: Shengze Jin, Iro Armeni, Marc Pollefeys, Daniel Barath,
• Abstract要約: マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
• 参考スコア（独自算出の注目度）: 74.3802812773891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel framework for multiway point cloud mosaicking (named Wednesday), designed to co-align sets of partially overlapping point clouds -- typically obtained from 3D scanners or moving RGB-D cameras -- into a unified coordinate system. At the core of our approach is ODIN, a learned pairwise registration algorithm that iteratively identifies overlaps and refines attention scores, employing a diffusion-based process for denoising pairwise correlation matrices to enhance matching accuracy. Further steps include constructing a pose graph from all point clouds, performing rotation averaging, a novel robust algorithm for re-estimating translations optimally in terms of consensus maximization and translation optimization. Finally, the point cloud rotations and positions are optimized jointly by a diffusion-based approach. Tested on four diverse, large-scale datasets, our method achieves state-of-the-art pairwise and multiway registration results by a large margin on all benchmarks. Our code and models are available at https://github.com/jinsz/Multiway-Point-Cloud-Mosaicking-with-Diffusion-and-Global-Optimization.
• Abstract（参考訳）: 我々は、3Dスキャナーや移動RGB-Dカメラから得られる部分的な重なり合う点雲の集合を、統一された座標系にまとめるために設計された、マルチウェイポイントクラウドモザイク(水曜日に命名された)のための新しいフレームワークを紹介します。 アプローチの核となるのは、重複を反復的に識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 さらに、全点の雲からのポーズグラフの構築、回転平均化、コンセンサス最大化と翻訳最適化の観点で最適に翻訳を推定する新しい頑健なアルゴリズムなどが含まれる。 最後に、点雲の回転と位置は拡散に基づくアプローチによって共同で最適化される。 本手法は,4つの多種多様な大規模データセットを用いて,全ベンチマークにおいて高いマージンで,最先端のペアとマルチウェイの登録結果を達成している。 私たちのコードとモデルはhttps://github.com/jinsz/Multiway-Point-Cloud-Mosaicking-with-Diffusion-and-Global-Optimizationで利用可能です。

関連論文リスト

• PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in a Large Field of View with Perturbations [27.45001809414096]
  PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。 ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。 我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。 我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
  論文  参考訳（メタデータ） (2024-01-06T08:58:15Z)
• CP-SLAM: Collaborative Neural Point-based SLAM System [54.916578456416204]
  本稿では,RGB-D画像シーケンスを用いた協調型暗黙的ニューラルローカライゼーションとマッピング(SLAM)システムを提案する。 これらすべてのモジュールを統一的なフレームワークで実現するために,ニューラルポイントに基づく新しい3次元シーン表現を提案する。 協調的な暗黙的SLAMに対して,一貫性と協調性を改善するために,分散分散型学習戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-14T09:17:15Z)
• HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion [15.94976936555104]
  我々はHybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。 アウトドアの大きなシーンでは、異なる視角から、ソース間の密集点雲を登録することができる。 提案手法は,定性的,定量的な実験を通じて総合的に評価される。
  論文  参考訳（メタデータ） (2023-04-10T10:54:54Z)
• RoCNet: 3D Robust Registration of Point-Clouds using Deep Learning [5.494111035517598]
  本稿では,ディープラーニングに基づく3Dポイントクラウド登録手法を提案する。 我々はModelNet40データセットで実験を行い、提案したアーキテクチャは非常に有望な結果を示した。
  論文  参考訳（メタデータ） (2023-03-14T15:07:51Z)
• 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)
• Parallel Structure from Motion for UAV Images via Weighted Connected Dominating Set [5.17395782758526]
  本稿では,クラスタマージのための大域的モデルを抽出し,効率よく正確なUAV画像配向を実現するために並列SfMソリューションを設計するアルゴリズムを提案する。 実験の結果,提案した並列SfMは17.4倍の効率向上と相対配向精度が得られることがわかった。
  論文  参考訳（メタデータ） (2022-06-23T06:53:06Z)
• Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
  部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。 これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。 本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T12:39:05Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Deep Hough Voting for Robust Global Registration [52.40611370293272]
  6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。 提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-09T14:38:06Z)
• 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。