論文の概要: Incremental Multiview Point Cloud Registration with Two-stage Candidate Retrieval

• arxiv url: http://arxiv.org/abs/2407.07525v1
• Date: Wed, 10 Jul 2024 10:24:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 17:01:49.117064
• Title: Incremental Multiview Point Cloud Registration with Two-stage Candidate Retrieval
• Title（参考訳）: 2段階候補検索による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: Shiqi Li, Jihua Zhu, Yifan Xie, Mingchen Zhu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.528821749262931
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multiview point cloud registration serves as a cornerstone of various computer vision tasks. Previous approaches typically adhere to a global paradigm, where a pose graph is initially constructed followed by motion synchronization to determine the absolute pose. However, this separated approach may not fully leverage the characteristics of multiview registration and might struggle with low-overlap scenarios. In this paper, we propose an incremental multiview point cloud registration method that progressively registers all scans to a growing meta-shape. To determine the incremental ordering, we employ a two-stage coarse-to-fine strategy for point cloud candidate retrieval. The first stage involves the coarse selection of scans based on neighbor fusion-enhanced global aggregation features, while the second stage further reranks candidates through geometric-based matching. Additionally, we apply a transformation averaging technique to mitigate accumulated errors during the registration process. Finally, we utilize a Reservoir sampling-based technique to address density variance issues while reducing computational load. Comprehensive experimental results across various benchmarks validate the effectiveness and generalization of our approach.
• Abstract（参考訳）: 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。 従来のアプローチは一般的に、ポーズグラフが最初に構築され、その後、絶対的なポーズを決定するためにモーション同期が続くグローバルパラダイムに固執する。 しかし、この分離されたアプローチは、マルチビュー登録の特徴を完全に活用することができず、低オーバーラップシナリオで苦労する可能性がある。 本稿では,全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マルチビューポイントクラウド登録手法を提案する。 逐次順序付けを決定するために,2段階の粗大な戦略を用いてポイントクラウド候補探索を行う。 第1段階は、近隣の融合強化グローバルアグリゲーション機能に基づくスキャンの粗い選択を伴い、第2段階は幾何学的マッチングによって候補をさらに再帰する。 さらに,登録過程における累積誤差を軽減するために,変換平均化手法を適用した。 最後に,Reservoir サンプリング手法を用いて,計算負荷を低減しつつ密度分散問題に対処する。 様々なベンチマークによる総合的な実験結果から,本手法の有効性と一般化が検証された。

関連論文リスト

• Incremental Multiview Point Cloud Registration [18.830104930321223]
  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。
  論文  参考訳（メタデータ） (2024-07-06T09:28:23Z)
• 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)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• DealMVC: Dual Contrastive Calibration for Multi-view Clustering [78.54355167448614]
  マルチビュークラスタリングのための新しいデュアルコントラストキャリブレーションネットワーク(DealMVC)を提案する。 まず、グローバルなクロスビュー特徴を得るための融合機構を設計し、その上で、ビュー特徴類似性グラフと高信頼な擬ラベルグラフを整列させることにより、グローバルなコントラストキャリブレーション損失を提案する。 トレーニング手順の間、対話型クロスビュー機能は、ローカルレベルとグローバルレベルの両方で共同最適化される。
  論文  参考訳（メタデータ） (2023-08-17T14:14:28Z)
• Pyramid Semantic Graph-based Global Point Cloud Registration with Low Overlap [27.362946585463824]
  グローバルポイントクラウドの登録は、ループ閉鎖や再ローカライゼーションといった多くのロボティクスタスクにおいて不可欠である。 残念なことに、登録はポイントクラウド間の重複が低いことに悩まされることが多い。 本稿では,重複度が低い点登録問題に対処する頑健な枠組みを提案する。
  論文  参考訳（メタデータ） (2023-07-22T16:05:23Z)
• 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)
• Category-Level Global Camera Pose Estimation with Multi-Hypothesis Point Cloud Correspondences [26.885846254261626]
  対応探索は、剛点クラウド登録アルゴリズムにおける重要なステップである。 本稿では,部分点クラウドと完全点クラウドとをマッチングする場合に,各キーポイントに対する全ての対応性を保持する最適化手法を提案する。 また,ローカル・ポイント・クラウド・リージョン間の類似度を測定する新しいポイント・フィーチャー・ディスクリプタを提案する。
  論文  参考訳（メタデータ） (2022-09-28T21:12:51Z)
• BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
  我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。 対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。 提案手法は最先端手法よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-25T13:13:37Z)
• Consistent Two-Flow Network for Tele-Registration of Point Clouds [74.51029406361997]
  任意のポーズで提示される点群間の登録を可能とし,重複がほとんどあるいは全くない学習ベースの手法を提案する。 本手法は,一群の形状の先行を学習し,部分的な形状を完遂できる新しいニューラルネットワーク設計に基づいている。 個別のフローと比較して、この2フローのトレーニングが堅牢で信頼性の高い遠隔登録につながることを示す。
  論文  参考訳（メタデータ） (2021-06-01T09:03:21Z)
• 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。