論文の概要: Progressive Correspondence Regenerator for Robust 3D Registration

• arxiv url: http://arxiv.org/abs/2502.02163v1
• Date: Tue, 04 Feb 2025 09:38:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:59:01.042536
• Title: Progressive Correspondence Regenerator for Robust 3D Registration
• Title（参考訳）: ロバスト3次元レジストレーションのためのプログレッシブ対応再生器
• Authors: Guiyu Zhao, Sheng Ao, Ye Zhang, Kai Xu Yulan Guo,
• Abstract要約: レギュアはプログレッシブ対応再生器であり、多くの異常値に対して高品質なマッチを生成する。 我々は、グローバルな観点から正確な対応を得るために、グローバルな対応強化を採用している。 提案手法は,外乱除去法よりも10倍の精度で対応できる。
• 参考スコア（独自算出の注目度）: 14.242141760557995
• License:
• Abstract: Obtaining enough high-quality correspondences is crucial for robust registration. Existing correspondence refinement methods mostly follow the paradigm of outlier removal, which either fails to correctly identify the accurate correspondences under extreme outlier ratios, or select too few correct correspondences to support robust registration. To address this challenge, we propose a novel approach named Regor, which is a progressive correspondence regenerator that generates higher-quality matches whist sufficiently robust for numerous outliers. In each iteration, we first apply prior-guided local grouping and generalized mutual matching to generate the local region correspondences. A powerful center-aware three-point consistency is then presented to achieve local correspondence correction, instead of removal. Further, we employ global correspondence refinement to obtain accurate correspondences from a global perspective. Through progressive iterations, this process yields a large number of high-quality correspondences. Extensive experiments on both indoor and outdoor datasets demonstrate that the proposed Regor significantly outperforms existing outlier removal techniques. More critically, our approach obtain 10 times more correct correspondences than outlier removal methods. As a result, our method is able to achieve robust registration even with weak features. The code will be released.
• Abstract（参考訳）: 十分な高品質の対応を得ることは、堅牢な登録に不可欠である。 既存の対応改善法は、ほとんどの場合、外付け文字の除去というパラダイムに従っており、これは極端な外付け文字の比率で正確な対応を正しく識別できないか、あるいは、頑健な登録をサポートするために、あまりに少ない正しい対応を選択するかのいずれかである。 この課題に対処するために,多数の外れ値に対して十分に頑健な高品質のマッチを生成するプログレッシブ対応再生器であるRegorを提案する。 各イテレーションにおいて、まず事前に誘導された局所的なグループ化と一般化された相互マッチングを適用し、局所的な対応を生成する。 次に、強力な中心認識三点整合性を示し、除去の代わりに局所的な対応補正を実現する。 さらに、グローバルな視点から正確な対応を得るために、グローバルな対応改善を利用する。 漸進的な反復を通して、この過程は多数の高品質な対応をもたらす。 屋内および屋外の両方のデータセットに対する大規模な実験は、提案されたRegorが既存の外れ値除去技術を大幅に上回っていることを示している。 より重要なことに,本手法は,外乱除去法よりも10倍正確な対応が得られる。 その結果,弱い特徴をもちながら,ロバストな登録が可能となった。 コードはリリースされます。

関連論文リスト

• MAgICoRe: Multi-Agent, Iterative, Coarse-to-Fine Refinement for Reasoning [60.55556283848063]
  大規模言語モデル(LLM)推論は、テストタイムアグリゲーション戦略、すなわち、複数のサンプルを生成し、生成されたサンプル間で投票することで改善することができる。 Refinementは、LLM生成したフィードバックを使ってソリューションの品質を改善する方法を提供する。 本稿では,問題の難易度を,難易度や難易度に分類することで,過度な改善を回避するMagICoReを提案する。
  論文  参考訳（メタデータ） (2024-09-18T17:12:41Z)
• Diff-Reg v1: Diffusion Matching Model for Registration Problem [34.57825794576445]
  既存の手法では、幾何学的あるいは意味的な特徴を利用して潜在的な対応を生成する。 従来はシングルパス予測に頼っていた手法は、複雑なシナリオにおいて局所的なミニマと競合する可能性がある。 本稿では,ロバスト対応推定のための拡散マッチングモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-29T02:10:38Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Robust Outlier Rejection for 3D Registration with Variational Bayes [70.98659381852787]
  我々は、ロバストアライメントのための新しい変分非局所ネットワークベース外乱除去フレームワークを開発した。 そこで本稿では, 投票に基づく不整合探索手法を提案し, 変換推定のための高品質な仮説的不整合をクラスタリングする。
  論文  参考訳（メタデータ） (2023-04-04T03:48:56Z)
• Composed Image Retrieval with Text Feedback via Multi-grained Uncertainty Regularization [73.04187954213471]
  粗い検索ときめ細かい検索を同時にモデル化する統合学習手法を提案する。 提案手法は、強いベースラインに対して+4.03%、+3.38%、+2.40%のRecall@50精度を達成した。
  論文  参考訳（メタデータ） (2022-11-14T14:25:40Z)
• Practical, Fast and Robust Point Cloud Registration for 3D Scene Stitching and Object Localization [6.8858952804978335]
  3Dポイントクラウドの登録は、リモートセンシング、フォトグラメトリー、ロボティクス、幾何学的コンピュータビジョンの基本的な問題である。 極端外れ率のポイントクラウド登録問題に対して,VOCRAという新しい高速かつ高堅牢なソリューションを提案する。 我々の解法VOCRAは99%以上の外れ値に対して堅牢であり、最先端の競合よりも時間効率が高いことを示す。
  論文  参考訳（メタデータ） (2021-11-08T01:49:04Z)
• TriVoC: Efficient Voting-based Consensus Maximization for Robust Point Cloud Registration with Extreme Outlier Ratios [6.8858952804978335]
  本稿では, 頑健な登録問題の解法として, TriVoC という新しい, 高速, 決定論的, 確固とした解法を提案する。 TriVoCは最大99%の外れ値に対して堅牢であり、非常に正確で、極端な外れ値比でさえも時間効率が良く、また現実世界のアプリケーションにも実用的であることを示す。
  論文  参考訳（メタデータ） (2021-11-01T02:03:40Z)
• A recursive robust filtering approach for 3D registration [3.5270468102327004]
  提案手法は, 既往のソリューションではまだ発生していない4つの利点を有する。 固有ノイズ汚染センサデータを扱うことができる。 ノイズのある特徴ローカライゼーションによる不確実性に対して堅牢である。
  論文  参考訳（メタデータ） (2021-10-28T07:50:02Z)
• Consensus-Guided Correspondence Denoising [67.35345850146393]
  本稿では,地域間コンセンサス学習フレームワークと対応関係を異色化し,対応関係をロバストに識別する。 ローカル地域からグローバル地域への動的グラフから推定されるコンセンサススコアに基づいて,信頼度の高い候補を初期マッチングから蒸留する新しい「プルーニング」ブロックを導入した。 本手法は、堅牢なラインフィッティング、ワイドベースライン画像マッチング、画像ローカリゼーションベンチマークを顕著なマージンで上回る。
  論文  参考訳（メタデータ） (2021-01-03T09:10:00Z)
• Learning 3D-3D Correspondences for One-shot Partial-to-partial Registration [66.41922513553367]
  学習に基づく部分的対部分的な登録をワンショットで行うことができることを示す。 そこで本研究では,ビンの利用により閉塞点を考慮に入れた最適輸送層を提案する。 結果として得られるOPRNetフレームワークは、標準ベンチマークにおける最先端技術を上回っている。
  論文  参考訳（メタデータ） (2020-06-08T12:35:47Z)

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。