Fugu-MT 論文翻訳(概要): RANSAC Back to SOTA: A Two-stage Consensus Filtering for Real-time 3D Registration

論文の概要: RANSAC Back to SOTA: A Two-stage Consensus Filtering for Real-time 3D Registration

arxiv url: http://arxiv.org/abs/2410.15682v1
Date: Mon, 21 Oct 2024 06:46:49 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-22 13:16:51.905724
Title: RANSAC Back to SOTA: A Two-stage Consensus Filtering for Real-time 3D Registration
Title（参考訳）: RANSACからSOTAへ:リアルタイム3D登録のための2段階のコンセンサスフィルタ
Authors: Pengcheng Shi, Shaocheng Yan, Yilin Xiao, Xinyi Liu, Yongjun Zhang, Jiayuan Li,
Abstract要約: 対応ベースのポイントクラウド登録(PCR)は、ロボット工学とコンピュータビジョンにおいて重要な役割を果たす。我々は、RANSACを最先端(SOTA)の速度と精度に高める2段階のコンセンサスフィルタリング(TCF)を提案する。
参考スコア（独自算出の注目度）: 15.81035895734261
License:
Abstract: Correspondence-based point cloud registration (PCR) plays a key role in robotics and computer vision. However, challenges like sensor noises, object occlusions, and descriptor limitations inevitably result in numerous outliers. RANSAC family is the most popular outlier removal solution. However, the requisite iterations escalate exponentially with the outlier ratio, rendering it far inferior to existing methods (SC2PCR [1], MAC [2], etc.) in terms of accuracy or speed. Thus, we propose a two-stage consensus filtering (TCF) that elevates RANSAC to state-of-the-art (SOTA) speed and accuracy. Firstly, one-point RANSAC obtains a consensus set based on length consistency. Subsequently, two-point RANSAC refines the set via angle consistency. Then, three-point RANSAC computes a coarse pose and removes outliers based on transformed correspondence's distances. Drawing on optimizations from one-point and two-point RANSAC, three-point RANSAC requires only a few iterations. Eventually, an iterative reweighted least squares (IRLS) is applied to yield the optimal pose. Experiments on the large-scale KITTI and ETH datasets demonstrate our method achieves up to three-orders-of-magnitude speedup compared to MAC while maintaining registration accuracy and recall. Our code is available at https://github.com/ShiPC-AI/TCF.
Abstract（参考訳）: 対応ベースのポイントクラウド登録(PCR)は、ロボット工学とコンピュータビジョンにおいて重要な役割を果たす。しかし、センサノイズ、オブジェクトの閉塞、ディスクリプタの制限といった課題は、必然的に多くの外れ値をもたらす。 RANSACファミリーは最も人気のあるアウトリー除去ソリューションである。しかし、必要反復は外周比で指数関数的にエスカレートし、精度や速度の点で既存の方法(SC2PCR [1], MAC [2]など)よりもはるかに劣る。そこで本稿では、RANSACをSOTA(State-of-the-art)の速度と精度に高める2段階のコンセンサスフィルタリング(TCF)を提案する。まず、一点RANSACは長さの整合性に基づいたコンセンサスセットを得る。その後、2点RANSACは角度の整合性によって集合を洗練する。そして、3点RANSACは粗いポーズを計算し、変換された対応距離に基づいて外れ値を削除する。 1点と2点のRANSACからの最適化に基づいて、3点のRANSACはほんの数イテレーションしか必要としない。最終的に、反復再重み付き最小二乗(IRLS)が適用され、最適なポーズが得られる。大規模なKITTIデータセットとETHデータセットを用いた実験では,登録精度とリコールを維持しながらMACと比較して最大3桁の速度アップを実現した。私たちのコードはhttps://github.com/ShiPC-AI/TCFで公開されています。

関連論文リスト

NeFSAC: Neurally Filtered Minimal Samples [90.55214606751453]
NeFSACは、動作不整合で条件の悪い最小サンプルをニューラルネットワークでフィルタリングするための効率的なアルゴリズムである。 NeFSACは既存のRANSACベースのパイプラインに接続できる。公開されている3つの実世界のデータセットから100万枚以上のイメージペアでNeFSACをテストしました。
論文参考訳（メタデータ） (2022-07-16T08:02:05Z)
Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-07-13T02:44:05Z)
Stress-Testing LiDAR Registration [52.24383388306149]
本稿では,LiDARデータセットからフレームペアの挑戦的集合である平衡登録集合を選択する手法を提案する。おそらく予想外のことに、最も高速かつ同時に正確なアプローチは、先進RANSACのバージョンであることがわかった。
論文参考訳（メタデータ） (2022-04-16T05:10:55Z)
SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration [32.87420625579577]
本稿では,2次空間整合性(SC2)尺度を提案する。この測定に基づいて,我々の登録パイプラインは,初期対応から信頼性の高い種子を見つけるために,グローバルスペクトル技術を用いている。提案手法では,サンプリングを少なくすることで,一定の数の外れ値のないコンセンサス集合を見つけることが保証される。
論文参考訳（メタデータ） (2022-03-28T02:41:28Z)
Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
点雲登録のための正確な対応を抽出する問題について検討する。最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
論文参考訳（メタデータ） (2022-02-14T13:26:09Z)
Space-Partitioning RANSAC [30.255457622022487]
RANSACモデルの品質計算を高速化する新しいアルゴリズムを提案する。この方法は、例えば2D-2D点対応などの関節対応空間を2つの正則格子に分割することに基づいている。 RANSACの実行時間を41%削減するが、精度は確実に低下しない。
論文参考訳（メタデータ） (2021-11-24T10:10:04Z)
Practical, Fast and Robust Point Cloud Registration for 3D Scene Stitching and Object Localization [6.8858952804978335]
3Dポイントクラウドの登録は、リモートセンシング、フォトグラメトリー、ロボティクス、幾何学的コンピュータビジョンの基本的な問題である。極端外れ率のポイントクラウド登録問題に対して,VOCRAという新しい高速かつ高堅牢なソリューションを提案する。我々の解法VOCRAは99%以上の外れ値に対して堅牢であり、最先端の競合よりも時間効率が高いことを示す。
論文参考訳（メタデータ） (2021-11-08T01:49:04Z)
DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud Registration with High Outlier Ratios [6.8858952804978335]
対応ベースのポイントクラウドの登録は、コンピュータビジョン、ロボティクスの知覚、フォトグラム、リモートセンシングの基盤となっている。現在の3Dキーポイントマッチング技術は、おそらく非常に多くの場合において、外れ値が得られる傾向にある。本稿では, DANIEL という新しい時間効率RANSAC型コンセンサス解法を提案する。
論文参考訳（メタデータ） (2021-10-11T08:27:00Z)
VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
論文参考訳（メタデータ） (2021-06-18T17:04:57Z)
Canny-VO: Visual Odometry with RGB-D Cameras based on Geometric 3D-2D Edge Alignment [85.32080531133799]
本稿では,自由形式の曲線登録に関する古典的な問題をレビューし,効率的なrgbdビジュアルオドメトリシステムcanny-voに適用する。エッジ登録でよく用いられる距離変換の代替として、近似近接近傍場と配向近接近傍場という2つの方法が提案されている。 3D2Dエッジアライメントは、効率性と精度の両方の観点から、これらの代替製剤の恩恵を受けます。
論文参考訳（メタデータ） (2020-12-15T11:42:17Z)
TEASER: Fast and Certifiable Point Cloud Registration [30.19476775410544]
最初の高速かつ堅牢な3Dポイントの登録アルゴリズムは、大量の外れ値の存在下での3Dポイントの登録である。 TEASER++という名前の第二の高速で堅牢な認証翻訳は、大規模なサブプロブレムを解決するために、既成の非コンポーネントを使用する。
論文参考訳（メタデータ） (2020-01-21T18:56:00Z)

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。