論文の概要: Deep Learning-Based Point Cloud Registration: A Comprehensive Survey and Taxonomy

• arxiv url: http://arxiv.org/abs/2404.13830v3
• Date: Sun, 02 Feb 2025 04:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-04 16:05:10.531914
• Title: Deep Learning-Based Point Cloud Registration: A Comprehensive Survey and Taxonomy
• Title（参考訳）: ディープラーニングに基づくポイントクラウド登録: 総合的な調査と分類
• Authors: Yu-Xin Zhang, Jie Gui, Baosheng Yu, Xiaofeng Cong, Xin Gong, Wenbing Tao, Dacheng Tao,
• Abstract要約: 深層学習に基づくポイントクラウド登録(DL-PCR)に関する総合的な調査と分類について述べる。 DL-PCR法では,登録手続きを含む重要な側面から議論を整理する。 我々はこれらを,ポイント・ツー・ポイント対応の明示的な識別を必要とするかどうかに応じて,対応ベースおよび対応不要なアプローチに分類する。
• 参考スコア（独自算出の注目度）: 79.66031973540946
• License:
• Abstract: Point cloud registration involves determining a rigid transformation to align a source point cloud with a target point cloud. This alignment is fundamental in applications such as autonomous driving, robotics, and medical imaging, where precise spatial correspondence is essential. Deep learning has greatly advanced point cloud registration by providing robust and efficient methods that address the limitations of traditional approaches, including sensitivity to noise, outliers, and initialization. However, a well-constructed taxonomy for these methods is still lacking, making it difficult to systematically classify and compare the various approaches. In this paper, we present a comprehensive survey and taxonomy on deep learning-based point cloud registration (DL-PCR). We begin with a formal description of the point cloud registration problem, followed by an overview of the datasets, evaluation metrics, and loss functions commonly used in DL-PCR. Next, we categorize existing DL-PCR methods into supervised and unsupervised approaches, as they focus on significantly different key aspects. For supervised DL-PCR methods, we organize the discussion based on key aspects, including the registration procedure, optimization strategy, learning paradigm, network enhancement, and integration with traditional methods; For unsupervised DL-PCR methods, we classify them into correspondence-based and correspondence-free approaches, depending on whether they require explicit identification of point-to-point correspondences. To facilitate a more comprehensive and fair comparison, we conduct quantitative evaluations of all recent state-of-the-art approaches, using a unified training setting and consistent data partitioning strategy. Lastly, we highlight the open challenges and discuss potential directions for future study. A comprehensive collection is available at https://github.com/yxzhang15/PCR.
• Abstract（参考訳）: ポイントクラウド登録には、ソースポイントクラウドとターゲットポイントクラウドを整合させる厳格な変換を決定することが含まれる。 このアライメントは、正確な空間対応が不可欠である自律運転、ロボティクス、医療画像などの応用において、基本的なものである。 ディープラーニングは、ノイズへの感受性、外れ値、初期化など、従来のアプローチの制限に対処する堅牢で効率的な方法を提供することによって、ポイントクラウドの登録を大幅に進歩させた。 しかし、これらの方法のよく構築された分類法はいまだに欠落しており、様々なアプローチを体系的に分類し比較することは困難である。 本稿では,深層学習に基づくポイントクラウド登録(DL-PCR)に関する総合的な調査と分類について述べる。 まず, 点雲登録問題の形式的記述から始め, DL-PCRでよく用いられるデータセット, 評価指標, 損失関数の概要を述べる。 次に、既存のDL-PCR法を教師なしおよび教師なしのアプローチに分類する。 DL-PCR法は, 登録手続き, 最適化戦略, 学習パラダイム, ネットワーク拡張, 従来の手法との連携など, 重要な側面に基づく議論を整理する。 より包括的で公平な比較を容易にするため、統一的なトレーニング設定と一貫したデータ分割戦略を用いて、最新の最先端アプローチの定量的評価を行う。 最後に、オープンな課題を強調し、今後の研究の方向性について論じる。 包括的なコレクションはhttps://github.com/yxzhang15/PCRで入手できる。

関連論文リスト

• Patch-Based Contrastive Learning and Memory Consolidation for Online Unsupervised Continual Learning [6.042269506496206]
  我々は、オンライン教師なし連続学習(O-UCL)として知られる比較的未探索の学習パラダイムに焦点を当てる。 O-UCLは、教師なし、継続的、あるいはオンライン学習における以前の作業とは異なり、3つの領域を1つの挑戦的で現実的な学習パラダイムにまとめている。 この設定では、エージェントは頻繁に評価され、指定されたオフラインタスクの最後にではなく、データストリームの任意の時点で可能な限りの表現を維持することを目標とする必要があります。
  論文  参考訳（メタデータ） (2024-09-24T18:46:32Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• A Survey of Label-Efficient Deep Learning for 3D Point Clouds [109.07889215814589]
  本稿では,点雲のラベル効率学習に関する包括的調査を行う。 本稿では,ラベルの種類によって提供されるデータ前提条件に基づいて,ラベル効率のよい学習手法を整理する分類法を提案する。 それぞれのアプローチについて、問題設定の概要と、関連する進展と課題を示す広範な文献レビューを提供する。
  論文  参考訳（メタデータ） (2023-05-31T12:54:51Z)
• Spatiotemporal Self-supervised Learning for Point Clouds in the Wild [65.56679416475943]
  空間領域と時間領域の両方で正のペアを利用するSSL戦略を導入する。 2つの大規模LiDARデータセット上で,自己教師型トレーニングによって実施した広範囲な実験を通じて,このアプローチのメリットを実証する。
  論文  参考訳（メタデータ） (2023-03-28T18:06:22Z)
• Point Cloud Registration for LiDAR and Photogrammetric Data: a Critical Synthesis and Performance Analysis on Classic and Deep Learning Algorithms [7.874736360019618]
  本稿では,SOTA(State-of-the-art)ポイントクラウド登録手法について概観する。 本研究では,屋内から衛星まで多様な点雲データを用いて,これらの手法を解析・評価する。 古典的な手作り、ディープラーニングに基づく特徴対応、堅牢なC2C手法を含む10以上の手法が試験された。
  論文  参考訳（メタデータ） (2023-02-14T16:52:26Z)
• PointCLM: A Contrastive Learning-based Framework for Multi-instance Point Cloud Registration [4.969636478156443]
  PointCLMは、ミュートリインスタンスポイントクラウド登録のための対照的な学習ベースのフレームワークである。 提案手法は, 合成データと実データの両方において, 最先端の手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-09-01T04:30:05Z)
• PCRP: Unsupervised Point Cloud Object Retrieval and Pose Estimation [50.3020332934185]
  そこで本研究では,PCRPと呼ばれる,教師なしのクラウドオブジェクトの検索とポーズ推定手法を提案する。 ModelNet40データセットの実験は、従来の学習ベースの手法と比較して、PCRPの優れた性能を示している。
  論文  参考訳（メタデータ） (2022-02-16T03:37:43Z)
• End-to-End 3D Point Cloud Learning for Registration Task Using Virtual Correspondences [17.70819292121181]
  3Dポイントのクラウド登録は、2つのポイントのクラウド間の厳密な変換を見つけるのが難しいため、依然として非常に難しいトピックである。 本稿では,ポイントクラウド登録問題を解決するために,エンドツーエンドのディープラーニングに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-11-30T06:55:05Z)
• Unsupervised Point Cloud Registration via Salient Points Analysis (SPA) [57.62713515497585]
  本研究では,SPA (Salient Point Analysis) と呼ばれる非教師付きポイントクラウド登録手法を提案する。 まず、ポイントホップ++法を点点に当てはめ、点の局所的な表面特性に基づいて2点の正解点を見つけ、対応する正解点と整合して登録を行う。 SPA法の有効性は,ModelNet-40データセットから,見かけや見えないクラスやノイズの多い点群に対する実験によって実証される。
  論文  参考訳（メタデータ） (2020-09-02T18:40:37Z)
• Target-less registration of point clouds: A review [4.307704177248648]
  我々は、点雲登録の基本的なワークフロー、すなわち対応決定と変換推定を要約した。 提案手法は,特徴マッチングに基づく手法,反復的最近点アルゴリズム,ランダムな仮説と検証に基づく手法である。 最後に,現在のクラウド登録手法の課題について論じ,自動登録手法の今後の展開について,いくつかのオープンな疑問を提起した。
  論文  参考訳（メタデータ） (2019-12-29T23:12:33Z)

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。