論文の概要: SANDRO: a Robust Solver with a Splitting Strategy for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2503.07743v1
• Date: Mon, 10 Mar 2025 18:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:17:47.222332
• Title: SANDRO: a Robust Solver with a Splitting Strategy for Point Cloud Registration
• Title（参考訳）: SANDRO: ポイントクラウド登録のための分割戦略を備えたロバストなソリューション
• Authors: Michael Adlerstein, João Carlos Virgolino Soares, Angelo Bratta, Claudio Semini,
• Abstract要約: ポイントクラウドの登録は、特にナビゲーション分野において、コンピュータとロボティクスにおいて重要な問題である。 現行の手法は、高い降圧率に直面したり、収束するのに長い時間を要する場合、しばしば失敗する。 本稿では,ポイントクラウド登録のための新しい戦略を紹介する。
• 参考スコア（独自算出の注目度）: 3.397374189063859
• License:
• Abstract: Point cloud registration is a critical problem in computer vision and robotics, especially in the field of navigation. Current methods often fail when faced with high outlier rates or take a long time to converge to a suitable solution. In this work, we introduce a novel algorithm for point cloud registration called SANDRO (Splitting strategy for point cloud Alignment using Non-convex anD Robust Optimization), which combines an Iteratively Reweighted Least Squares (IRLS) framework with a robust loss function with graduated non-convexity. This approach is further enhanced by a splitting strategy designed to handle high outlier rates and skewed distributions of outliers. SANDRO is capable of addressing important limitations of existing methods, as in challenging scenarios where the presence of high outlier rates and point cloud symmetries significantly hinder convergence. SANDRO achieves superior performance in terms of success rate when compared to the state-of-the-art methods, demonstrating a 20% improvement from the current state of the art when tested on the Redwood real dataset and 60% improvement when tested on synthetic data.
• Abstract（参考訳）: 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、特にナビゲーション分野において重要な問題である。 現在の手法は、高い降圧率に直面した場合や、適切な解に収束するのに長い時間を要する場合、しばしば失敗する。 本研究では,SANDRO(Non-convex anD Robust Optimizationを用いた点クラウドアライメントの分割戦略)と呼ばれる点クラウド登録のための新しいアルゴリズムを導入する。 このアプローチは、高い外れ値率と外れ値のスキュード分布を扱うために設計された分割戦略によってさらに強化される。 SANDROは既存の手法の重要な制限に対処することができる。例えば、高いアウトリーフレートと点雲対称性の存在が収束を著しく妨げているような挑戦的なシナリオにおいてである。 SANDROは、最先端の手法と比較して、成功率において優れたパフォーマンスを達成し、Redwood実データセットでテストした場合、最先端の手法から20%改善し、合成データでテストした場合、60%改善した。

関連論文リスト

• Inferring Neural Signed Distance Functions by Overfitting on Single Noisy Point Clouds through Finetuning Data-Driven based Priors [53.6277160912059]
  本稿では,データ駆動型およびオーバーフィット型手法のプロースを推進し,より一般化し,高速な推論を行い,より高精度なニューラルネットワークSDFを学習する手法を提案する。 そこで本研究では,距離管理やクリーンポイントクラウド,あるいは点正規化を伴わずに,データ駆動型プリエントを微調整できる新しい統計的推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-25T16:48:44Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Robust-DefReg: A Robust Deformable Point Cloud Registration Method based on Graph Convolutional Neural Networks [0.0]
  本稿では,グラフ畳み込みネットワーク(GCNN)に基づくロバスト・デフレグを提案する。 提案手法は計算効率を保ちながら大変形の高精度化を実現する。
  論文  参考訳（メタデータ） (2023-06-07T18:08:11Z)
• A New Outlier Removal Strategy Based on Reliability of Correspondence Graph for Fast Point Cloud Registration [6.8180625547708535]
  我々は,点クラウド登録における6-DOF削減プロセスを記述するために,単純で直感的な手法を用いる。 本稿では,対応グラフの信頼性に基づく外乱除去手法を提案する。 提案手法は, 段階的整合パラメータ推定とともに, 高速かつ高精度な外乱除去を実現することができる。
  論文  参考訳（メタデータ） (2022-05-16T00:37:57Z)
• Fast and Robust Registration of Partially Overlapping Point Clouds [5.073765501263891]
  部分的に重なる点雲のリアルタイム登録は、自動運転車の協調認識に新たな応用をもたらす。 これらのアプリケーションにおける点雲間の相対的な変換は、従来のSLAMやオドメトリーアプリケーションよりも高い。 本稿では,効率の良い特徴エンコーダを用いて対応を学習する部分重複点群に対する新しい登録法を提案する。
  論文  参考訳（メタデータ） (2021-12-18T12:39:05Z)
• 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)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud Registration with High Outlier Ratios [6.8858952804978335]
  対応ベースのポイントクラウドの登録は、コンピュータビジョン、ロボティクスの知覚、フォトグラム、リモートセンシングの基盤となっている。 現在の3Dキーポイントマッチング技術は、おそらく非常に多くの場合において、外れ値が得られる傾向にある。 本稿では, DANIEL という新しい時間効率RANSAC型コンセンサス解法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T08:27:00Z)
• DORO: Distributional and Outlier Robust Optimization [98.44757325531631]
  本稿では,分散ロバスト最適化のためのDOROのフレームワークを提案する。 このアプローチのコアとなるのは、DROがオーバーフィットして潜在的な外れ値に収まらないような、洗練されたリスク関数である。 提案手法の有効性を理論的に証明し, DOROがDROの性能と安定性を向上することを示す。
  論文  参考訳（メタデータ） (2021-06-11T02:59:54Z)
• An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
  本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。 本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-17T20:19:25Z)
• Communication-Efficient Robust Federated Learning Over Heterogeneous Datasets [147.11434031193164]
  本研究では,データサンプルが不均一に作業者間で分散されている場合の耐障害性フェデレーション学習について検討する。 データセットを戦略的に破壊する可能性のある敵意的な欠陥のある労働者が存在する場合、交換されたローカルメッセージは信頼できない。 本研究は,Nesterovの加速技術に依存するフォールトレジリエント勾配(FRPG)アルゴリズムを提案する。 強い凸損失関数に対して、FRPGとLFRPGは、ベンチマークロバストな集約アルゴリズムよりも明らかに高速な収束率を持つ。
  論文  参考訳（メタデータ） (2020-06-17T16:50:33Z)

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。