論文の概要: PSReg: Prior-guided Sparse Mixture of Experts for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2501.07762v1
• Date: Tue, 14 Jan 2025 00:30:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:26:51.791882
• Title: PSReg: Prior-guided Sparse Mixture of Experts for Point Cloud Registration
• Title（参考訳）: PSReg: ポイントクラウド登録の専門家の事前指導によるスパースミックス
• Authors: Xiaoshui Huang, Zhou Huang, Yifan Zuo, Yongshun Gong, Chengdong Zhang, Deyang Liu, Yuming Fang,
• Abstract要約: 本研究では,SMoEをベースとした事前誘導型登録手法を提案する。 提案手法の有効性を実証し,3DMatch/3DLoMatchベンチマークで最先端の登録リコール(95.7%/79.3%)を達成した。
• 参考スコア（独自算出の注目度）: 33.41608015231465
• License:
• Abstract: The discriminative feature is crucial for point cloud registration. Recent methods improve the feature discriminative by distinguishing between non-overlapping and overlapping region points. However, they still face challenges in distinguishing the ambiguous structures in the overlapping regions. Therefore, the ambiguous features they extracted resulted in a significant number of outlier matches from overlapping regions. To solve this problem, we propose a prior-guided SMoE-based registration method to improve the feature distinctiveness by dispatching the potential correspondences to the same experts. Specifically, we propose a prior-guided SMoE module by fusing prior overlap and potential correspondence embeddings for routing, assigning tokens to the most suitable experts for processing. In addition, we propose a registration framework by a specific combination of Transformer layer and prior-guided SMoE module. The proposed method not only pays attention to the importance of locating the overlapping areas of point clouds, but also commits to finding more accurate correspondences in overlapping areas. Our extensive experiments demonstrate the effectiveness of our method, achieving state-of-the-art registration recall (95.7\%/79.3\%) on the 3DMatch/3DLoMatch benchmark. Moreover, we also test the performance on ModelNet40 and demonstrate excellent performance.
• Abstract（参考訳）: 識別機能は、ポイントクラウドの登録に不可欠である。 最近の手法では、重複しない領域点と重複しない領域点を区別することで特徴判別を改善する。 しかし、それらは重なり合う領域におけるあいまいな構造を区別する上で、依然として課題に直面している。 したがって、それらが抽出したあいまいな特徴は、重複する領域からかなりの数の外れ値が一致した。 そこで本研究では,SMoEをベースとした事前誘導型登録手法を提案する。 具体的には、事前重複とルーティングのための潜在的対応埋め込みを融合させ、処理に最も適した専門家にトークンを割り当てることにより、事前誘導SMoEモジュールを提案する。 さらに,Transformer層と事前誘導SMoEモジュールの特定の組み合わせによる登録フレームワークを提案する。 提案手法は、点雲の重なり合う領域を特定することの重要性だけでなく、重なり合う領域のより正確な対応を見つけることにも注意を払っている。 我々は3DMatch/3DLoMatchベンチマークにおいて,最先端の登録リコール(95.7\%/79.3\%)を達成し,本手法の有効性を実証した。 さらに,ModelNet40の性能試験を行い,優れた性能を示す。

関連論文リスト

• OAAFormer: Robust and Efficient Point Cloud Registration Through Overlapping-Aware Attention in Transformer [37.41780280364752]
  粗い機能マッチングパラダイムは、ポイントクラウド登録の領域でかなりの注目を集めている。 粗いレベルから細かなレベルへの潜在的に価値のある対応の伝播を容易にするソフトマッチング機構を導入する。 提案手法は, インレーヤ比が約7%増加し, 登録リコールの2～4%向上につながった。
  論文  参考訳（メタデータ） (2023-10-15T12:27:18Z)
• Overlap Bias Matching is Necessary for Point Cloud Registration [21.584033532099134]
  登録される点雲間のオーバーラップは比較的小さい。 部分点クラウド登録のための教師なしネットワーク Overlap Bias Matching Network (OBMNet) を提案する。
  論文  参考訳（メタデータ） (2023-08-18T07:47:22Z)
• Discriminative Co-Saliency and Background Mining Transformer for Co-Salient Object Detection [111.04994415248736]
  我々は差別的共存とバックグラウンドマイニング・トランスフォーマー・フレームワーク(DMT)を提案する。 我々は2種類の事前定義されたトークンを用いて、コントラスト誘起画素間相関モジュールとコサリエンストークン間相関モジュールを用いて、コサリエンシと背景情報をマイニングする。 3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-04-30T15:56:47Z)
• Large-scale Point Cloud Registration Based on Graph Matching Optimization [30.92028761652611]
  アンダーライン最適化に基づくアンダーライングラフアンダーラインマッチングを提案する。 提案手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-02-12T03:29:35Z)
• 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)
• REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
  我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。 本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。 提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T06:01:00Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• FINet: Dual Branches Feature Interaction for Partial-to-Partial Point Cloud Registration [31.014309817116175]
  FINetは,複数段階の入力を関連づける情報を有効化・強化する機能を備えた,機能間相互作用に基づく構造である。 実験により,本手法は従来の手法に比べて精度が高く,頑健性も高いことが示された。
  論文  参考訳（メタデータ） (2021-06-07T10:15:02Z)
• PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency [38.93610732090426]
  本稿では,空間的整合性を明確に組み込んだ新しいディープニューラルネットワークであるPointDSCを提案する。 本手法は,いくつかの実世界のデータセットにおいて,最先端の手作りおよび学習に基づく異常者拒絶アプローチを上回っている。
  論文  参考訳（メタデータ） (2021-03-09T14:56:08Z)
• Pose-guided Visible Part Matching for Occluded Person ReID [80.81748252960843]
  本稿では、ポーズ誘導による特徴の識別を共同で学習し、その部分の可視性を自己判断する Pose-Guided Visible Part Matching (PVPM) 法を提案する。 実験結果から,提案手法は最先端手法と競合する性能を示した。
  論文  参考訳（メタデータ） (2020-04-01T04:36:51Z)
• Learning and Matching Multi-View Descriptors for Registration of Point Clouds [48.25586496457587]
  まず,複数視点の画像から学習した多視点局所記述子を3次元キーポイント記述のために提案する。 そこで我々は,効率的な推論に基づいて,外乱マッチングを拒否することを目的とした,ロバストなマッチング手法を開発した。 我々は、パブリックスキャンとマルチビューステレオデータセットの登録に対する我々のアプローチの強化を実証した。
  論文  参考訳（メタデータ） (2018-07-16T01:58:27Z)

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。