論文の概要: Incremental Multiview Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2407.05021v1
• Date: Sat, 6 Jul 2024 09:28:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 21:28:00.684752
• Title: Incremental Multiview Point Cloud Registration
• Title（参考訳）: インクリメンタルマルチビューポイントクラウド登録
• Authors: Xiaoya Cheng, Yu Liu, Maojun Zhang, Shen Yan,
• Abstract要約: 本研究では,スキャンを標準座標系に段階的に整列させるインクリメンタルパイプラインを提案する。 検出器フリーのマーカにはトラックリファインメントプロセスが組み込まれている。 実験により,提案フレームワークは3つのベンチマークデータセットにおいて,既存のマルチビュー登録手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 18.830104930321223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a novel approach for multiview point cloud registration. Different from previous researches that typically employ a global scheme for multiview registration, we propose to adopt an incremental pipeline to progressively align scans into a canonical coordinate system. Specifically, drawing inspiration from image-based 3D reconstruction, our approach first builds a sparse scan graph with scan retrieval and geometric verification. Then, we perform incremental registration via initialization, next scan selection and registration, Track create and continue, and Bundle Adjustment. Additionally, for detector-free matchers, we incorporate a Track refinement process. This process primarily constructs a coarse multiview registration and refines the model by adjusting the positions of the keypoints on the Track. Experiments demonstrate that the proposed framework outperforms existing multiview registration methods on three benchmark datasets. The code is available at https://github.com/Choyaa/IncreMVR.
• Abstract（参考訳）: 本稿では,マルチビューポイントクラウド登録のための新しいアプローチを提案する。 グローバルなマルチビュー登録方式を採用する従来の研究とは違い,本研究では,スキャンを段階的に標準座標系に整列させるインクリメンタルパイプラインの採用を提案する。 具体的には、画像に基づく3D再構成からインスピレーションを得て、まずスキャン検索と幾何的検証を備えたスパーススキャングラフを構築した。 次に、初期化、次のスキャン選択と登録、トラック作成と継続、バンドル調整によるインクリメンタルな登録を行います。 さらに, センサレス整形器にはトラックリファインメントプロセスが組み込まれている。 このプロセスは、主に粗いマルチビューの登録を構築し、トラック上のキーポイントの位置を調整することによってモデルを洗練する。 実験により,提案フレームワークは3つのベンチマークデータセットにおいて,既存のマルチビュー登録手法より優れていることが示された。 コードはhttps://github.com/Choyaa/IncreMVR.comで入手できる。

関連論文リスト

• Incremental Multiview Point Cloud Registration with Two-stage Candidate Retrieval [12.528821749262931]
  マルチビューポイントクラウド登録は、様々なコンピュータビジョンタスクの基盤となる。 本稿では,すべてのスキャンを段階的にメタ形状に登録するインクリメンタルなマルチビューポイントクラウド登録手法を提案する。
  論文  参考訳（メタデータ） (2024-07-10T10:24:28Z)
• L-PR: Exploiting LiDAR Fiducial Marker for Unordered Low Overlap Multiview Point Cloud Registration [5.2357168261831335]
  本稿では,非秩序な低重なり点群を登録するL-PRという新しいフレームワークを提案する。 我々はこれらをLiDARフィデューシャルマーカーと呼んでいるが、人気のある AprilTag や ArUco のマーカーと同じである。 提案手法が従来の最先端手法を上回ることを示すため,定性的かつ定量的な実験を行った。
  論文  参考訳（メタデータ） (2024-06-05T14:08:13Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  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。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting [63.95845583460312]
  本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。 提案手法は,3DMatchデータセットの登録リコール率を11%,ScanNetデータセットの登録エラー率を13%向上させる。
  論文  参考訳（メタデータ） (2023-04-02T06:43:40Z)
• SOLD2: Self-supervised Occlusion-aware Line Description and Detection [95.8719432775724]
  単一深層ネットワークにおける回線セグメントの最初の共同検出と記述について紹介します。 我々の手法は注釈付き行ラベルを必要としないため、任意のデータセットに一般化することができる。 複数のマルチビューデータセットにおいて,従来の行検出と記述方法に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-04-07T19:27:17Z)
• End-to-End Learning Local Multi-view Descriptors for 3D Point Clouds [67.27510166559563]
  3Dポイントクラウドのためのローカルなマルチビュー記述子を学習するためのエンドツーエンドフレームワークを提案する。 本手法は,既存の局所記述子を定量的かつ定性的に上回る。
  論文  参考訳（メタデータ） (2020-03-12T15:41:34Z)
• 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)
• Learning and Matching Multi-View Descriptors for Registration of Point Clouds [48.25586496457587]
  まず,複数視点の画像から学習した多視点局所記述子を3次元キーポイント記述のために提案する。 そこで我々は,効率的な推論に基づいて,外乱マッチングを拒否することを目的とした,ロバストなマッチング手法を開発した。 我々は、パブリックスキャンとマルチビューステレオデータセットの登録に対する我々のアプローチの強化を実証した。
  論文  参考訳（メタデータ） (2018-07-16T01:58:27Z)

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。