論文の概要: SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration

• arxiv url: http://arxiv.org/abs/2405.20188v1
• Date: Thu, 30 May 2024 15:55:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-31 13:39:08.957368
• Title: SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration
• Title（参考訳）: SPARE:ロバストな非デジタル登録のためのSPARE
• Authors: Yuxin Yao, Bailin Deng, Junhui Hou, Juyong Zhang,
• Abstract要約: 本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
• 参考スコア（独自算出の注目度）: 76.40993825836222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing optimization-based methods for non-rigid registration typically minimize an alignment error metric based on the point-to-point or point-to-plane distance between corresponding point pairs on the source surface and target surface. However, these metrics can result in slow convergence or a loss of detail. In this paper, we propose SPARE, a novel formulation that utilizes a symmetrized point-to-plane distance for robust non-rigid registration. The symmetrized point-to-plane distance relies on both the positions and normals of the corresponding points, resulting in a more accurate approximation of the underlying geometry and can achieve higher accuracy than existing methods. To solve this optimization problem efficiently, we propose an alternating minimization solver using a majorization-minimization strategy. Moreover, for effective initialization of the solver, we incorporate a deformation graph-based coarse alignment that improves registration quality and efficiency. Extensive experiments show that the proposed method greatly improves the accuracy of non-rigid registration problems and maintains relatively high solution efficiency. The code is publicly available at https://github.com/yaoyx689/spare.
• Abstract（参考訳）: 既存の最適化に基づく非剛性登録法は、典型的には、ソース表面上の対応する点対とターゲット表面との間の点対距離または点対距離に基づくアライメント誤差距離を最小化する。 しかし、これらの指標は収束が遅く、詳細が失われる可能性がある。 本稿では,SPAREを提案する。SPARE,SPARE,SPARE,SPARE,SPARE,SPARE。 対称化された点-平面間距離は対応する点の位置と正規度に依存するため、基礎となる幾何学をより正確に近似することができ、既存の方法よりも高い精度が得られる。 この最適化問題を効率的に解くために,最大化最小化戦略を用いた交代最小化解法を提案する。 さらに, この解法を効果的に初期化するために, 変形グラフに基づく粗いアライメントを組み込んで, 登録品質と効率を向上する。 実験の結果,提案手法は厳密でない登録問題の精度を大幅に向上し,比較的高い解効率を維持していることがわかった。 コードはhttps://github.com/yaoyx689/spare.comで公開されている。

関連論文リスト

• Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
  マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。 提案手法は3DMatch と ETH のデータセットでよく機能する。
  論文  参考訳（メタデータ） (2024-10-29T08:36:23Z)
• Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
  本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。 本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。 2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
  論文  参考訳（メタデータ） (2024-09-24T04:39:47Z)
• Vanishing Point Estimation in Uncalibrated Images with Prior Gravity Direction [82.72686460985297]
  我々はマンハッタンのフレームを推定する問題に取り組む。 2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。 また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
  論文  参考訳（メタデータ） (2023-08-21T13:03:25Z)
• Deep Point-to-Plane Registration by Efficient Backpropagation for Error Minimizing Function [0.0]
  点集合登録の伝統的なアルゴリズムは、点から点までの距離を最小化するアルゴリズムよりも、剛性変換をより正確に推定する。 近年の深層学習に基づく手法はポイント・ツー・ポイント距離を最小化している。 本論文は,平面間登録における深層学習に基づく最初のアプローチを提案する。
  論文  参考訳（メタデータ） (2022-07-14T05:18:20Z)
• Distributed Sketching for Randomized Optimization: Exact Characterization, Concentration and Lower Bounds [54.51566432934556]
  我々はヘシアンの形成が困難である問題に対する分散最適化法を検討する。 ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
  論文  参考訳（メタデータ） (2022-03-18T05:49:13Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• A Robust Loss for Point Cloud Registration [31.033915476145047]
  表面登録の性能は、ソースとターゲット形状のアライメント誤差に使用されるメートル法に大きく依存する。 伝統的に、そのような計量は、原面上の点から目標表面上の最も近い点までの点対点距離または点対面距離に基づいている。 本稿では,2つの形状とランダムな直線との交点に基づく新しい計量法を提案するが,これは特定の対応を前提としない。
  論文  参考訳（メタデータ） (2021-08-26T09:56:47Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Feature-metric Registration: A Fast Semi-supervised Approach for Robust Point Cloud Registration without Correspondences [8.636298281155602]
  高速な特徴量ポイントクラウド登録フレームワークを提案する。 対応なしに特徴量プロジェクションエラーを最小限にすることで、登録の最適化を強制する。 提案手法を半教師なしあるいは教師なしの手法で訓練する。
  論文  参考訳（メタデータ） (2020-05-03T07:26:59Z)
• Quasi-Newton Solver for Robust Non-Rigid Registration [35.66014845211251]
  データフィッティングと正規化のための大域的スムーズなロバスト推定器に基づくロバストな非剛性登録のための定式化を提案する。 本稿では,L-BFGS を用いた最小二乗問題の解法に,各繰り返しを減らし,最大化最小化アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2020-04-09T01:45:05Z)

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。