論文の概要: EADReg: Probabilistic Correspondence Generation with Efficient Autoregressive Diffusion Model for Outdoor Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2411.15271v1
• Date: Fri, 22 Nov 2024 13:03:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:23:46.795971
• Title: EADReg: Probabilistic Correspondence Generation with Efficient Autoregressive Diffusion Model for Outdoor Point Cloud Registration
• Title（参考訳）: EADReg:アウトドアポイントクラウド登録のための効率的な自己回帰拡散モデルによる確率対応生成
• Authors: Linrui Gong, Jiuming Liu, Junyi Ma, Lihao Liu, Yaonan Wang, Hesheng Wang,
• Abstract要約: 我々は,LiDAR点雲の効率的かつロバストな登録のためのEADRegという新しいフレームワークを提案する。 我々は、二方向ガウス混合モデル(BGMM)を用いて、外接点を拒絶し、純化された点雲対を得る。 微細な段階では,拡散型PCRを自己回帰プロセスとして扱い,ロバストな点対応を生成する。
• 参考スコア（独自算出の注目度）: 22.084204833166982
• License:
• Abstract: Diffusion models have shown the great potential in the point cloud registration (PCR) task, especially for enhancing the robustness to challenging cases. However, existing diffusion-based PCR methods primarily focus on instance-level scenarios and struggle with outdoor LiDAR points, where the sparsity, irregularity, and huge point scale inherent in LiDAR points pose challenges to establishing dense global point-to-point correspondences. To address this issue, we propose a novel framework named EADReg for efficient and robust registration of LiDAR point clouds based on autoregressive diffusion models. EADReg follows a coarse-to-fine registration paradigm. In the coarse stage, we employ a Bi-directional Gaussian Mixture Model (BGMM) to reject outlier points and obtain purified point cloud pairs. BGMM establishes correspondences between the Gaussian Mixture Models (GMMs) from the source and target frames, enabling reliable coarse registration based on filtered features and geometric information. In the fine stage, we treat diffusion-based PCR as an autoregressive process to generate robust point correspondences, which are then iteratively refined on upper layers. Despite common criticisms of diffusion-based methods regarding inference speed, EADReg achieves runtime comparable to convolutional-based methods. Extensive experiments on the KITTI and NuScenes benchmark datasets highlight the state-of-the-art performance of our proposed method. Codes will be released upon publication.
• Abstract（参考訳）: 拡散モデルは、特に難題に対する堅牢性を高めるために、ポイントクラウド登録(PCR)タスクにおいて大きな可能性を示している。 しかし、既存の拡散型PCR法は、主にインスタンスレベルのシナリオに焦点をあて、LiDARポイントに固有の空間性、不規則性、および巨大な点スケールが密接なグローバルなポイント・ツー・ポイント対応を確立する上での課題である屋外のLiDARポイントと競合する。 この問題を解決するために,自己回帰拡散モデルに基づくLiDAR点雲の効率的かつロバストな登録を行うEADRegという新しいフレームワークを提案する。 EADRegは粗大な登録パラダイムに従っている。 粗い段階では、二方向ガウス混合モデル(BGMM)を用いて、不整点を除去し、純点雲対を得る。 BGMMはソースとターゲットフレームからガウス混合モデル(GMM)の対応を確立し、フィルタ特徴と幾何情報に基づいて信頼できる粗い登録を可能にする。 微細な段階では,拡散型PCRを自己回帰法として処理し,高層に反復的に精製されるロバストな点対応を生成する。 推論速度に関する拡散ベースのメソッドに対する一般的な批判にもかかわらず、EADRegは畳み込みベースのメソッドに匹敵するランタイムを実現している。 KITTIおよびNuScenesベンチマークデータセットの大規模な実験により,提案手法の最先端性能が明らかになった。 コードは出版時に公開される。

関連論文リスト

• A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
  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。
  論文  参考訳（メタデータ） (2024-10-14T08:48:25Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
  BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。 BlindDiffはMAPベースの最適化をDMにシームレスに統合する。 合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
  論文  参考訳（メタデータ） (2024-03-15T11:21:34Z)
• 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)
• DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
  ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。 実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Controllable Mesh Generation Through Sparse Latent Point Diffusion Models [105.83595545314334]
  メッシュ生成のための新しいスパース潜在点拡散モデルを設計する。 私たちの重要な洞察は、ポイントクラウドをメッシュの中間表現と見なし、代わりにポイントクラウドの分布をモデル化することです。 提案したスパース潜在点拡散モデルにより,生成品質と制御性において優れた性能が得られる。
  論文  参考訳（メタデータ） (2023-03-14T14:25:29Z)
• 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)
• LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point Cloud Registration [1.8876415010297891]
  剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。 本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。 CPDの現代の実装よりもはるかに高速です。
  論文  参考訳（メタデータ） (2021-03-28T03:46:41Z)

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。