論文の概要: BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2407.08729v1
• Date: Thu, 11 Jul 2024 17:58:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 16:09:12.608849
• Title: BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration
• Title（参考訳）: BiEquiFormer: グローバルポイントクラウド登録のためのバイ平等表現
• Authors: Stefanos Pertigkiozoglou, Evangelos Chatzipantazis, Kostas Daniilidis,
• Abstract要約: 最先端の深層学習手法は、任意の点の雲を空間に配置した場合、大きな性能劣化に悩まされることを示す。 We design BiEquiformer a novel and scalable textitbi-equivariant pipeline。 これにより,高品質なスーパーポイント対応を抽出し,ロバストなポイントクラウド登録を行うことができる。
• 参考スコア（独自算出の注目度）: 28.75341781515012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The goal of this paper is to address the problem of \textit{global} point cloud registration (PCR) i.e., finding the optimal alignment between point clouds irrespective of the initial poses of the scans. This problem is notoriously challenging for classical optimization methods due to computational constraints. First, we show that state-of-the-art deep learning methods suffer from huge performance degradation when the point clouds are arbitrarily placed in space. We propose that \textit{equivariant deep learning} should be utilized for solving this task and we characterize the specific type of bi-equivariance of PCR. Then, we design BiEquiformer a novel and scalable \textit{bi-equivariant} pipeline i.e. equivariant to the independent transformations of the input point clouds. While a naive approach would process the point clouds independently we design expressive bi-equivariant layers that fuse the information from both point clouds. This allows us to extract high-quality superpoint correspondences and in turn, robust point-cloud registration. Extensive comparisons against state-of-the-art methods show that our method achieves comparable performance in the canonical setting and superior performance in the robust setting in both the 3DMatch and the challenging low-overlap 3DLoMatch dataset.
• Abstract（参考訳）: 本論文の目的は,スキャンの初期ポーズによらず,点雲間の最適アライメントを見つけること,すなわち,点雲登録(PCR)の問題に対処することである。 この問題は、計算の制約によって古典的な最適化手法が難しいことで有名である。 まず、最先端のディープラーニング手法は、点雲を任意に空間に配置した場合、大きな性能劣化に悩まされることを示す。 そこで我々は,この課題を解決するために,‘textit{equivariant Deep Learning} を用いることを提案し,PCRの特異な二変量特性を特徴付ける。 次に,BiEquiformer を新規でスケーラブルな \textit{bi-equivariant} パイプライン,すなわち入力点雲の独立変換に同値なパイプラインとして設計する。 単純なアプローチでポイントクラウドを独立に処理する一方で、両方のポイントクラウドから情報を融合する表現力のあるバイ平等なレイヤを設計します。 これにより,高品質なスーパーポイント対応を抽出し,ロバストなポイントクラウド登録を行うことができる。 本手法は,3DMatchと3DLoMatchデータセットの両方のロバストな設定において,標準設定において同等の性能と優れた性能を達成することを示す。

関連論文リスト

• 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)
• EPCL: Frozen CLIP Transformer is An Efficient Point Cloud Encoder [60.52613206271329]
  本稿では,冷凍CLIP変換器を用いて高品質のクラウドモデルをトレーニングするための textbfEfficient textbfPoint textbfCloud textbfLearning (EPCL) を提案する。 我々のEPCLは、2D-3Dデータをペア化せずに画像の特徴と点雲の特徴を意味的に整合させることで、2Dと3Dのモダリティを接続する。
  論文  参考訳（メタデータ） (2022-12-08T06:27:11Z)
• Data Augmentation-free Unsupervised Learning for 3D Point Cloud Understanding [61.30276576646909]
  ソフトクラスタリング(SoftClu)と呼ばれる,移動可能な点レベルの特徴を学習するための,ポイントクラウドに対する拡張不要な教師なしアプローチを提案する。 我々は,クラスタに対するポイントのアフィリエイトをプロキシとして利用し,擬似ラベル予測タスクを通じて自己学習を可能にする。
  論文  参考訳（メタデータ） (2022-10-06T10:18:16Z)
• 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)
• Dual Adaptive Transformations for Weakly Supervised Point Cloud Segmentation [78.6612285236938]
  弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。 我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-19T05:43:14Z)
• E2PN: Efficient SE(3)-Equivariant Point Network [12.520265159777255]
  本稿では,3次元点雲からSE(3)-等価特徴を学習するための畳み込み構造を提案する。 カーネルポイント畳み込み(カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、KPConv、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション、カーネルポイントコンボリューション
  論文  参考訳（メタデータ） (2022-06-11T02:15:46Z)
• SE(3)-Equivariant Attention Networks for Shape Reconstruction in Function Space [50.14426188851305]
  本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。 入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。 提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-04-05T17:59:15Z)
• A Representation Separation Perspective to Correspondences-free Unsupervised 3D Point Cloud Registration [40.12490804387776]
  リモートセンシング分野における3Dポイントクラウドの登録は、ディープラーニングベースの手法によって大幅に進歩している。 表現分離の観点から,対応のない非教師なしポイントクラウド登録(UPCR)手法を提案する。 提案手法は, ポーズ不変表現の障害を除去するだけでなく, 部分対部分点の雲やノイズに対して頑健である。
  論文  参考訳（メタデータ） (2022-03-24T17:50:19Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• Correspondence-Free Point Cloud Registration with SO(3)-Equivariant Implicit Shape Representations [12.343333815270402]
  提案手法は,同変特徴学習と暗黙的形状モデルを組み合わせることで,3つの大きな利点を実現する。 その結果,既存の通信不要のディープ・レジストレーション法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-21T18:18:21Z)
• DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration [12.471564670462344]
  この研究は、ディープニューラルネットワークを用いたポイントクラウド登録の問題に対処する。 重なり合うデータ内容を持つ2つの点雲間のアライメントを予測する手法を提案する。 提案手法は,最先端の精度と比較手法の最低実行時間を実現する。
  論文  参考訳（メタデータ） (2020-07-22T08:20:57Z)

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。