論文の概要: Cross-PCR: A Robust Cross-Source Point Cloud Registration Framework
- arxiv url: http://arxiv.org/abs/2412.18873v1
- Date: Wed, 25 Dec 2024 11:14:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-30 17:26:36.400041
- Title: Cross-PCR: A Robust Cross-Source Point Cloud Registration Framework
- Title（参考訳）: Cross-PCR: 頑丈なクロスソースクラウド登録フレームワーク
- Authors: Guiyu Zhao, Zhentao Guo, Zewen Du, Hongbin Ma,
- Abstract要約: 本稿では,ロバストかつ高精度なクロスソース登録を実現するために,密度ロバストな特徴抽出とマッチング方式を提案する。
オープンソース3DCSRデータセットのKinect-LiDARシーンでは,特徴マッチングリコールを63.5ポイント (pp) ,登録リコールを57.6pp。
- 参考スコア（独自算出の注目度）: 0.7499722271664147
- License:
- Abstract: Due to the density inconsistency and distribution difference between cross-source point clouds, previous methods fail in cross-source point cloud registration. We propose a density-robust feature extraction and matching scheme to achieve robust and accurate cross-source registration. To address the density inconsistency between cross-source data, we introduce a density-robust encoder for extracting density-robust features. To tackle the issue of challenging feature matching and few correct correspondences, we adopt a loose-to-strict matching pipeline with a ``loose generation, strict selection'' idea. Under it, we employ a one-to-many strategy to loosely generate initial correspondences. Subsequently, high-quality correspondences are strictly selected to achieve robust registration through sparse matching and dense matching. On the challenging Kinect-LiDAR scene in the cross-source 3DCSR dataset, our method improves feature matching recall by 63.5 percentage points (pp) and registration recall by 57.6 pp. It also achieves the best performance on 3DMatch, while maintaining robustness under diverse downsampling densities.
- Abstract（参考訳）: クロスソース・ポイント・クラウド間の密度の不整合と分布差のため、以前の手法はクロスソース・ポイント・クラウドの登録に失敗する。
本稿では,ロバストかつ高精度なクロスソース登録を実現するために,密度ロバストな特徴抽出とマッチング方式を提案する。
クロスソースデータ間の密度不整合に対処するために,密度ロバスト特徴を抽出する密度ロバストエンコーダを導入する。
特徴マッチングに挑戦する問題に対処し、正しい対応をほとんど持たないために、我々は 'loose generation, strict selection'' というアイデアで、ゆるやかに限定的なマッチングパイプラインを採用する。
そこで我々は,初期対応を緩やかに生成する一対一戦略を採用した。
その後、スパースマッチングと密マッチングによって堅牢な登録を実現するために、高品質な対応を厳密に選択する。
オープンソース3DCSRデータセットのKinect-LiDARシーンでは,特徴マッチングリコールを63.5ポイント (pp) ,登録リコールを57.6pp。
3DMatchでは、さまざまなダウンサンプリング密度の下で堅牢性を維持しながら、最高のパフォーマンスを実現している。
関連論文リスト
- Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。
この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。
我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。
点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
論文 参考訳（メタデータ） (2025-02-12T10:44:36Z) - VRHCF: Cross-Source Point Cloud Registration via Voxel Representation and Hierarchical Correspondence Filtering [0.7499722271664147]
広い適用性を有するポイントクラウド登録のための新しいフレームワークを提案する。
クロスソースのクラウド登録では、3DCSRデータセット上で最高のRRを獲得し、9.3%の改善率を示す。
論文 参考訳（メタデータ） (2024-03-15T08:00:29Z) - HybridFusion: LiDAR and Vision Cross-Source Point Cloud Fusion [15.94976936555104]
我々はHybridFusionと呼ばれるクロスソース点雲融合アルゴリズムを提案する。
アウトドアの大きなシーンでは、異なる視角から、ソース間の密集点雲を登録することができる。
提案手法は,定性的,定量的な実験を通じて総合的に評価される。
論文 参考訳（メタデータ） (2023-04-10T10:54:54Z) - Unsupervised Deep Probabilistic Approach for Partial Point Cloud
Registration [74.53755415380171]
ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。
部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。
UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
論文 参考訳（メタデータ） (2023-03-23T14:18:06Z) - Reliability-Adaptive Consistency Regularization for Weakly-Supervised
Point Cloud Segmentation [80.07161039753043]
極端に限られたラベルを持つ弱教師付きポイントクラウドセグメンテーションは、高額な注釈付き3Dポイントの収集コストを軽減するのが望ましい。
本稿では、弱教師付き学習において一般的に用いられる一貫性の正則化を、複数のデータ固有の拡張を伴うポイントクラウドに適用することを検討する。
疑似ラベルの信頼性を評価するために,予測信頼性とモデル不確実性を両立させる新しい信頼性適応整合ネットワーク(RAC-Net)を提案する。
論文 参考訳（メタデータ） (2023-03-09T10:41:57Z) - 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) - Learning to Register Unbalanced Point Pairs [10.369750912567714]
最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。
非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
論文 参考訳（メタデータ） (2022-07-09T08:03:59Z) - CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud
Registration [35.57761839361479]
CoFiNet (Coarse-to-Fine Network) - キーポイント検出なしで、粗から細まで階層的な対応を抽出する。
我々のモデルは、近傍の点が重なり合うダウンサンプリングノードと一致することを学習する。
点対応は、密度適応マッチングモジュールによって対応するパッチの重複領域から洗練される。
論文 参考訳（メタデータ） (2021-10-26T23:05:00Z) - 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) - Mapping of Sparse 3D Data using Alternating Projection [35.735398244213584]
テクスチャがない場合にスパース3Dスキャンを登録する新しい手法を提案する。
KinectFusionのような既存の方法は、高密度の点雲に大きく依存している。
本稿では,交差制約と剛性制約の同時満足度として登録を定式化した2段階交互投影アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-04T17:40:30Z) - 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。