論文の概要: SynBench: A Synthetic Benchmark for Non-rigid 3D Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2409.14474v1
• Date: Sun, 22 Sep 2024 14:46:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-06 22:41:53.126758
• Title: SynBench: A Synthetic Benchmark for Non-rigid 3D Point Cloud Registration
• Title（参考訳）: SynBench: 厳格でない3Dポイントクラウド登録のためのシンセティックベンチマーク
• Authors: Sara Monji-Azad, Marvin Kinz, Claudia Scherl, David Männle, Jürgen Hesser, Nikolas Löw,
• Abstract要約: 本稿では,SimToolを用いた新たな非剛性クラウド登録データセットであるSynBenchを紹介する。 これは、2つの点集合の間の対応する点の基礎的真実を提供し、主要な登録課題を包含する。 著者らは、SynBenchは将来の非厳格なクラウド登録手法により、彼らの成果を公平に比較できると考えている。
• 参考スコア（独自算出の注目度）: 0.04947896909360667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-rigid point cloud registration is a crucial task in computer vision. Evaluating a non-rigid point cloud registration method requires a dataset with challenges such as large deformation levels, noise, outliers, and incompleteness. Despite the existence of several datasets for deformable point cloud registration, the absence of a comprehensive benchmark with all challenges makes it difficult to achieve fair evaluations among different methods. This paper introduces SynBench, a new non-rigid point cloud registration dataset created using SimTool, a toolset for soft body simulation in Flex and Unreal Engine. SynBench provides the ground truth of corresponding points between two point sets and encompasses key registration challenges, including varying levels of deformation, noise, outliers, and incompleteness. To the best of the authors' knowledge, compared to existing datasets, SynBench possesses three particular characteristics: (1) it is the first benchmark that provides various challenges for non-rigid point cloud registration, (2) SynBench encompasses challenges of varying difficulty levels, and (3) it includes ground truth corresponding points both before and after deformation. The authors believe that SynBench enables future non-rigid point cloud registration methods to present a fair comparison of their achievements. SynBench is publicly available at: https://doi.org/10.11588/data/R9IKCF.
• Abstract（参考訳）: 非厳格なクラウド登録は、コンピュータビジョンにおいて重要なタスクである。 厳密でないクラウド登録方法を評価するには、大きな変形レベル、ノイズ、外れ値、不完全性といった課題を伴うデータセットが必要である。 変形可能なポイントクラウド登録のためのデータセットがいくつか存在するにもかかわらず、すべての課題を伴う包括的なベンチマークが存在しないため、さまざまな方法による公正な評価が難しい。 本稿では,Flex と Unreal Engine のソフトボディシミュレーション用ツールセットである SimTool を用いて作成した,新たな非剛点クラウド登録データセットである SynBench を紹介する。 シンベンチは、2つの点集合の間の対応する点の基底的真実を提供し、変形レベル、ノイズ、外れ値、不完全性を含む主要な登録課題を包含する。 著者の知識を最大限に活用するために、既存のデータセットと比較してSynBenchには3つの特徴がある。(1)非剛点クラウド登録のための様々な課題を提供する最初のベンチマークであり、(2)SynBenchは難易度が異なる課題を包含し、(3)変形の前と後の両方で真実に対応するポイントを含んでいる。 著者らは、SynBenchは将来の非厳格なクラウド登録手法により、彼らの成果を公平に比較できると考えている。 SynBenchは、https://doi.org/10.11588/data/R9IKCFで公開されている。

関連論文リスト

• UniRiT: Towards Few-Shot Non-Rigid Point Cloud Registration [15.17153502202129]
  非剛性点雲の登録は、3Dシーン理解、特に手術ナビゲーションにおいて重要な課題である。 非剛体パターンは剛体パターンよりも柔軟で複雑であるため、既存の手法は著しく劣化する。 MedMatch3Dという新しいデータセットを導入し、実際のヒトの臓器からなり、サンプル分布に高いばらつきを示す。
  論文  参考訳（メタデータ） (2024-10-30T11:06:23Z)
• Zero-Shot Point Cloud Registration [94.39796531154303]
  ZeroRegは、ポイントクラウドデータセットのトレーニングを不要にする最初のゼロショットポイントクラウド登録アプローチである。 ZeroRegの基盤は、キーポイントからポイントクラウドへの画像特徴の新たな移行であり、三次元幾何学的近傍からの情報を集約することによって強化されている。 3DMatch、3DLoMatch、ScanNetなどのベンチマークでは、ZeroRegはそれぞれ84%、46%、75%という印象的なリコール比(RR)を達成した。
  論文  参考訳（メタデータ） (2023-12-05T11:33:16Z)
• AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud Registration [69.21282992341007]
  Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。 私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。 TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
  論文  参考訳（メタデータ） (2023-09-20T09:29:44Z)
• SphereNet: Learning a Noise-Robust and General Descriptor for Point Cloud Registration [5.641476052216014]
  我々はSphereNetを導入して、ポイントクラウド登録のためのノイズロスと見えない汎用記述子を学習する。 提案手法を評価するために, 強い雑音を有する3DMatch-noiseのベンチマークを新たに導入した。 3DMatchおよび3DLoMatchベンチマークの93.5%と75.6%の登録リコールで、最先端のパフォーマンスを新たに設定した。
  論文  参考訳（メタデータ） (2023-07-18T15:37:35Z)
• Reliability-Adaptive Consistency Regularization for Weakly-Supervised Point Cloud Segmentation [80.07161039753043]
  極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。 本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。 疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T10:41:57Z)
• 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)
• 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)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• SynLiDAR: Learning From Synthetic LiDAR Sequential Point Cloud for Semantic Segmentation [37.00112978096702]
  SynLiDARは、正確な幾何学的形状と包括的なセマンティッククラスを備えた合成LiDARポイントクラウドデータセットである。 PCT-Netは、現実世界のポイントクラウドデータとのギャップを狭めることを目的としたポイントクラウド翻訳ネットワークである。 複数のデータ拡張および半教師付きセマンティックセグメンテーションタスクに対する実験は、非常に肯定的な結果を示す。
  論文  参考訳（メタデータ） (2021-07-12T12:51:08Z)
• 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)
• 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。