論文の概要: A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2410.10295v1
• Date: Mon, 14 Oct 2024 08:48:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-29 22:24:32.279873
• Title: A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration
• Title（参考訳）: 垂直および階層的な点群登録のための整合性対応スポットガイド変換器
• Authors: Renlang Huang, Yufan Tang, Jiming Chen, Liang Li,
• Abstract要約: 我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。 CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。 スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
• 参考スコア（独自算出の注目度）: 9.609585217048664
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning-based feature matching has shown great superiority for point cloud registration in the absence of pose priors. Although coarse-to-fine matching approaches are prevalent, the coarse matching of existing methods is typically sparse and loose without consideration of geometric consistency, which makes the subsequent fine matching rely on ineffective optimal transport and hypothesis-and-selection methods for consistency. Therefore, these methods are neither efficient nor scalable for real-time applications such as odometry in robotics. To address these issues, we design a consistency-aware spot-guided Transformer (CAST), which incorporates a spot-guided cross-attention module to avoid interfering with irrelevant areas, and a consistency-aware self-attention module to enhance matching capabilities with geometrically consistent correspondences. Furthermore, a lightweight fine matching module for both sparse keypoints and dense features can estimate the transformation accurately. Extensive experiments on both outdoor LiDAR point cloud datasets and indoor RGBD point cloud datasets demonstrate that our method achieves state-of-the-art accuracy, efficiency, and robustness.
• Abstract（参考訳）: 深層学習に基づく特徴マッチングは、ポーズの先行がない場合、ポイントクラウドの登録において大きな優位性を示している。 粗いマッチングアプローチが一般的であるが、既存の手法の粗いマッチングは通常、幾何的整合性を考慮しても疎く、従って、非効率な最適輸送法と仮説と選択法に依存している。 したがって、これらの手法はロボット工学におけるオドメトリーのようなリアルタイム応用には効率的でもスケーラブルでもない。 これらの問題に対処するため,無関係領域との干渉を避けるためにスポット誘導型クロスアテンションモジュールを組み込んだ整合性対応型スポットアテンショントランス (CAST) と,幾何的に整合した対応でマッチング能力を向上する整合性対応型自己アテンションモジュールを設計した。 さらに、スパースキーポイントと高密度特徴の両方に対する軽量な微細マッチングモジュールは、変換を正確に推定することができる。 屋外のLiDAR点クラウドデータセットと屋内のRGBD点クラウドデータセットの両方に対する大規模な実験により、我々の手法が最先端の精度、効率、堅牢性を達成することを示した。

関連論文リスト

• Geometry-aware Feature Matching for Large-Scale Structure from Motion [10.645087195983201]
  大規模シナリオでは重なりが小さい場合にギャップを埋めるために,カラーキューに加えて幾何学的手がかりを導入する。 提案手法は, 検出器フリー法からの高密度対応が幾何的に整合性を持ち, 精度が高いことを保証する。 ベンチマークデータセットにおける最先端の機能マッチングメソッドよりも優れています。
  論文  参考訳（メタデータ） (2024-09-03T21:41:35Z)
• OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
  非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。 我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。 従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
  論文  参考訳（メタデータ） (2024-09-02T09:30:02Z)
• BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
  本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。 本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:58:10Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
  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。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• MEDPNet: Achieving High-Precision Adaptive Registration for Complex Die Castings [10.504847830252254]
  本稿では,Multiscale Efficient Deep Closest Point (MEDPNet) と呼ばれる高精度適応型登録手法を提案する。 MEDPNet法は、効率的なDCP法を用いて粗大なダイカストポイントクラウドデータ登録を行い、次いでMDR法を用いて精度の高い登録を行う。 提案手法は, 複雑なダイカスト点クラウドデータに適用した場合の, 最先端の幾何学的および学習的登録法と比較して, 優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-15T03:42:38Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• ECO-TR: Efficient Correspondences Finding Via Coarse-to-Fine Refinement [80.94378602238432]
  粗大な処理で対応性を見出すことにより、ECO-TR(Correspondence Efficient Transformer)と呼ばれる効率的な構造を提案する。 これを実現するために、複数の変圧器ブロックは段階的に連結され、予測された座標を徐々に洗練する。 種々のスパースタスクと密マッチングタスクの実験は、既存の最先端技術に対する効率性と有効性の両方において、我々の手法の優位性を実証している。
  論文  参考訳（メタデータ） (2022-09-25T13:05:33Z)
• UTOPIC: Uncertainty-aware Overlap Prediction Network for Partial Point Cloud Registration [34.921141735367655]
  本稿では,不確実な重複予測問題に対処するため,UTOPICと呼ばれる新しい不確実性を考慮した重複予測ネットワークを提案する。 特徴抽出器は,補完デコーダを通じて形状知識を暗黙的に知覚し,トランスフォーマーに幾何学的関係を埋め込む。 より信頼性の高い重複スコアとより正確な密接な対応の利点により、UTOPICは安定した正確な登録結果を得ることができる。
  論文  参考訳（メタデータ） (2022-08-04T15:16:28Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Self-Point-Flow: Self-Supervised Scene Flow Estimation from Point Clouds with Optimal Transport and Random Walk [59.87525177207915]
  シーンフローを近似する2点雲間の対応性を確立するための自己教師型手法を開発した。 本手法は,自己教師付き学習手法の最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-05-18T03:12:42Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。