論文の概要: UniRiT: Towards Few-Shot Non-Rigid Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2410.22909v1
- Date: Wed, 30 Oct 2024 11:06:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-31 14:27:34.854261
- Title: UniRiT: Towards Few-Shot Non-Rigid Point Cloud Registration
- Title（参考訳）: UniRiT: Few-Shot Non-Rigid Cloud登録を目指して
- Authors: Geng Li, Haozhi Cao, Mingyang Liu, Chenxi Jiang, Jianfei Yang,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 15.17153502202129
- License:
- Abstract: Non-rigid point cloud registration is a critical challenge in 3D scene understanding, particularly in surgical navigation. Although existing methods achieve excellent performance when trained on large-scale, high-quality datasets, these datasets are prohibitively expensive to collect and annotate, e.g., organ data in authentic medical scenarios. With insufficient training samples and data noise, existing methods degrade significantly since non-rigid patterns are more flexible and complicated than rigid ones, and the distributions across samples are more distinct, leading to higher difficulty in representation learning with few data. In this work, we aim to deal with this challenging few-shot non-rigid point cloud registration problem. Based on the observation that complex non-rigid transformation patterns can be decomposed into rigid and small non-rigid transformations, we propose a novel and effective framework, UniRiT. UniRiT adopts a two-step registration strategy that first aligns the centroids of the source and target point clouds and then refines the registration with non-rigid transformations, thereby significantly reducing the problem complexity. To validate the performance of UniRiT on real-world datasets, we introduce a new dataset, MedMatch3D, which consists of real human organs and exhibits high variability in sample distribution. We further establish a new challenging benchmark for few-shot non-rigid registration. Extensive empirical results demonstrate that UniRiT achieves state-of-the-art performance on MedMatch3D, improving the existing best approach by 94.22%.
- Abstract（参考訳）: 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。
既存の手法は、大規模で高品質なデータセットでトレーニングされた場合、優れたパフォーマンスを達成するが、これらのデータセットは、本物の医療シナリオにおける臓器データの収集と注釈付けは、極めて高価である。
トレーニングサンプルやデータノイズが不十分なため、厳密でないパターンの方が柔軟で複雑なため、既存の手法は大幅に劣化する。
本研究は,この難易度の高いクラウド登録問題に対処することを目的としている。
複雑な非剛体変換パターンを、剛体および小さな非剛体変換に分解できるという観測に基づいて、新規で効果的なフレームワークUniRiTを提案する。
UniRiTは、2段階の登録戦略を採用し、まずソースとターゲットポイントの雲のセントロイドを整列させ、次に非厳密な変換で登録を洗練し、問題の複雑さを著しく低減する。
実世界のデータセット上でのUniRiTの性能を検証するために,実際のヒト臓器からなり,サンプル分布に高いばらつきを示す新しいデータセットMedMatch3Dを導入する。
さらに、数ショットの非厳密な登録のための新しい挑戦的なベンチマークを確立します。
大規模な実証実験の結果、UniRiTはMedMatch3Dの最先端性能を達成し、既存のベストアプローチを94.22%改善した。
関連論文リスト
- Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration [2.814748676983944]
局所球面ユークリッド3次元等分散特性をSE(3)メッセージパッシングに基づく伝搬により埋め込んだグラフニューラルネットワークモデルを提案する。
我々のモデルは、主に記述モジュール、同変グラフ層、類似性、最終的な回帰層から構成される。
3DMatchおよびKITTIデータセットで行った実験は、最先端のアプローチと比較して、我々のモデルの魅力的で堅牢な性能を示している。
論文 参考訳（メタデータ） (2024-10-08T06:48:01Z) - Contrastive Multiple Instance Learning for Weakly Supervised Person ReID [50.04900262181093]
本稿では、より効果的に教師付きされたReIDに適した新しいフレームワークであるContrastive Multiple Instance Learning (CMIL)を紹介する。
CMILは、対照的な損失を生かしながら、単一のモデルと擬似ラベルを必要とせず、自分自身を区別する。
PerformancePhoto.coの実際のアプリケーションから自然に発生する弱いラベルを特徴とするMUDDデータセットの拡張であるWL-MUDDデータセットをリリースする。
論文 参考訳（メタデータ） (2024-02-12T14:48:31Z) - Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳（メタデータ） (2023-10-10T20:11:13Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - Training on Thin Air: Improve Image Classification with Generated Data [28.96941414724037]
Diffusion Inversionは、画像分類のための多種多様な高品質なトレーニングデータを生成するための、シンプルで効果的な方法である。
提案手法は,元のデータ分布を捕捉し,画像を安定拡散の潜在空間に反転させることにより,データカバレッジを確保する。
生成した画像が元のデータセットに取って代わることに成功した3つの重要なコンポーネントを特定します。
論文 参考訳（メタデータ） (2023-05-24T16:33:02Z) - 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) - Learning-based Point Cloud Registration for 6D Object Pose Estimation in
the Real World [55.7340077183072]
我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。
この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。
これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
論文 参考訳（メタデータ） (2022-03-29T07:55:04Z) - Recurrent Multi-view Alignment Network for Unsupervised Surface
Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。
我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。
また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文 参考訳（メタデータ） (2020-11-24T14:22:42Z) - Orderly Disorder in Point Cloud Domain [25.36505222529359]
本稿では,秩序障害理論を用いた3次元モデル解析のための,スマートでシンプルなディープネットワークを提案する。
提案手法は,3次元物体内部の深いパターンを動的リンクによって抽出し,最も安定したパターンを求める。
本モデルでは, 消失段階の問題を緩和し, 動的リンク伝播を強化し, パラメータ数を著しく削減する。
論文 参考訳（メタデータ） (2020-08-21T18:18:09Z) - A Close Look at Deep Learning with Small Data [0.0]
モデル複雑性は、クラス毎に数個のサンプルしか利用できない場合に重要な要素であることを示す。
また、標準的なデータ拡張であっても、認識性能を大きなマージンで向上させることができることを示す。
論文 参考訳（メタデータ） (2020-03-28T17:11:29Z)
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。