論文の概要: QuadricsReg: Large-Scale Point Cloud Registration using Quadric Primitives
- arxiv url: http://arxiv.org/abs/2412.02998v1
- Date: Wed, 04 Dec 2024 03:35:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-05 15:06:39.540995
- Title: QuadricsReg: Large-Scale Point Cloud Registration using Quadric Primitives
- Title（参考訳）: QuadricsReg: Quadric Primitivesを使用した大規模ポイントクラウド登録
- Authors: Ji Wu, Huai Yu, Shu Han, Xi-Meng Cai, Ming-Feng Wang, Wen Yang, Gui-Song Xia,
- Abstract要約: 本稿では,シーンの表現に簡潔な2次プリミティブを活用する,新たなポイントクラウド登録手法であるQuadricsRegを紹介する。
象徴的な特徴として、二次表現はシーンの主幾何学的特徴を完全に捉え、大規模な点雲の複雑さを効率的に扱うことができる。
5つの公開データセットと、さまざまなLiDARセンサとロボットプラットフォームにまたがる自己コンパイルされた異種データセットをテストします。
- 参考スコア（独自算出の注目度）: 30.56092814783138
- License:
- Abstract: In the realm of large-scale point cloud registration, designing a compact symbolic representation is crucial for efficiently processing vast amounts of data, ensuring registration robustness against significant viewpoint variations and occlusions. This paper introduces a novel point cloud registration method, i.e., QuadricsReg, which leverages concise quadrics primitives to represent scenes and utilizes their geometric characteristics to establish correspondences for 6-DoF transformation estimation. As a symbolic feature, the quadric representation fully captures the primary geometric characteristics of scenes, which can efficiently handle the complexity of large-scale point clouds. The intrinsic characteristics of quadrics, such as types and scales, are employed to initialize correspondences. Then we build a multi-level compatibility graph set to find the correspondences using the maximum clique on the geometric consistency between quadrics. Finally, we estimate the 6-DoF transformation using the quadric correspondences, which is further optimized based on the quadric degeneracy-aware distance in a factor graph, ensuring high registration accuracy and robustness against degenerate structures. We test on 5 public datasets and the self-collected heterogeneous dataset across different LiDAR sensors and robot platforms. The exceptional registration success rates and minimal registration errors demonstrate the effectiveness of QuadricsReg in large-scale point cloud registration scenarios. Furthermore, the real-world registration testing on our self-collected heterogeneous dataset shows the robustness and generalization ability of QuadricsReg on different LiDAR sensors and robot platforms. The codes and demos will be released at \url{https://levenberg.github.io/QuadricsReg}.
- Abstract（参考訳）: 大規模クラウド登録の分野では、大量のデータを効率的に処理するためには、コンパクトなシンボル表現を設計することが不可欠である。
本報告では,シーンの表現に簡潔な2次プリミティブを活用し,その幾何学的特徴を利用して6-DoF変換推定のための対応性を確立する,新たなポイントクラウド登録手法であるQuadricsRegを提案する。
象徴的な特徴として、二次表現はシーンの主幾何学的特徴を完全に捉え、大規模な点雲の複雑さを効率的に扱うことができる。
タイプやスケールなどの二次体の本質的な特徴は、対応を初期化するために用いられる。
次に、四次数間の幾何的整合性に基づいて最大傾きを用いて対応関係を求めるための多レベル整合グラフを構築する。
最後に, 2次対応を用いて6-DoF変換を推定し, 因子グラフの2次縮退認識距離に基づいてさらに最適化し, 縮退構造に対する高い登録精度とロバスト性を確保する。
5つの公開データセットと、さまざまなLiDARセンサとロボットプラットフォームにまたがる自己コンパイルされた異種データセットをテストします。
例外的な登録成功率と最小限の登録エラーは、大規模クラウド登録シナリオにおけるQuadricsRegの有効性を示している。
さらに、我々の自己収集した異種データセットにおける実世界の登録テストは、異なるLiDARセンサやロボットプラットフォーム上でのQuadricsRegの堅牢性と一般化能力を示している。
コードとデモは \url{https://levenberg.github.io/QuadricsReg} で公開される。
関連論文リスト
- A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - 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) - G3Reg: Pyramid Graph-based Global Registration using Gaussian Ellipsoid Model [21.189016878269104]
本研究では,LiDAR点雲の高速かつ堅牢なグローバル登録のための新しいフレームワークであるG3Regを紹介する。
従来の複雑なキーポイントや記述子とは対照的に、基本的な幾何学的プリミティブを抽出する。
本稿では,グローバル登録のためのピラミッドグラフに基づく不信検証方式を提案する。
論文 参考訳（メタデータ） (2023-08-22T17:23:00Z) - Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。
3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。
提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
論文 参考訳（メタデータ） (2023-04-27T13:52:01Z) - Robust Point Cloud Registration Framework Based on Deep Graph
Matching(TPAMI Version) [13.286247750893681]
3Dポイントクラウドの登録は、コンピュータビジョンとロボティクスの基本的な問題である。
本稿では,ポイントクラウド登録のための新しいディープグラフマッチングベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-09T06:05:25Z) - 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) - Robust Partial-to-Partial Point Cloud Registration in a Full Range [12.86951061306046]
本稿では,全方向1の部分対部分点クラウド登録(PPR)のためのポーズ不変対応を推定するグラフマッチング・コンセンサス・ネットワーク(GMCNet)を提案する。
GMCNetは、個別に各点クラウドのポイント記述子を、クロスコンテクスト情報や、トレーニングのための接地真理対応を使わずに符号化する。
論文 参考訳（メタデータ） (2021-11-30T17:56:24Z) - Deep Hough Voting for Robust Global Registration [52.40611370293272]
6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。
提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-09-09T14:38:06Z) - DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。
本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。
登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
論文 参考訳（メタデータ） (2021-04-08T04:27:32Z) - Robust Point Cloud Registration Framework Based on Deep Graph Matching [5.865029600972316]
3Dポイントクラウド登録は、コンピュータビジョンとロボティクスにおける基本的な問題です。
点群登録のための深層グラフマッチングに基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-07T04:20:29Z) - TCM-ICP: Transformation Compatibility Measure for Registering Multiple
LIDAR Scans [4.5412347600435465]
本稿では,複数重複するLiDARスキャンを登録するアルゴリズムを提案する。
本研究では,TCM(Transform Compatibility Measure)と呼ばれる幾何学的指標を導入する。
提案手法を実世界の4つの場面で評価し,実験結果から,提案手法の登録性能が従来の登録方式と同等か優れていることを示す。
論文 参考訳（メタデータ） (2020-01-04T21:05:27Z)
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。