論文の概要: Registration of 3D Point Sets Using Exponential-based Similarity Matrix

• arxiv url: http://arxiv.org/abs/2505.04540v1
• Date: Wed, 07 May 2025 16:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.148814
• Title: Registration of 3D Point Sets Using Exponential-based Similarity Matrix
• Title（参考訳）: 指数型類似度行列を用いた3次元点集合の登録
• Authors: Ashutosh Singandhupe, Sanket Lokhande, Hung Manh La,
• Abstract要約: 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の基本的な問題である。 本稿では,古典的イテレーティブ・クローゼスト・ポイント(ICP)アルゴリズムのロバストな修正を提案する。 提案手法は,ガウスにインスパイアされた指数重み付け方式を統合した指数類似行列 (ESM-ICP) である。
• 参考スコア（独自算出の注目度）: 1.0485739694839669
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud registration is a fundamental problem in computer vision and robotics, involving the alignment of 3D point sets captured from varying viewpoints using depth sensors such as LiDAR or structured light. In modern robotic systems, especially those focused on mapping, it is essential to merge multiple views of the same environment accurately. However, state-of-the-art registration techniques often struggle when large rotational differences exist between point sets or when the data is significantly corrupted by sensor noise. These challenges can lead to misalignments and, consequently, to inaccurate or distorted 3D reconstructions. In this work, we address both these limitations by proposing a robust modification to the classic Iterative Closest Point (ICP) algorithm. Our method, termed Exponential Similarity Matrix ICP (ESM-ICP), integrates a Gaussian-inspired exponential weighting scheme to construct a similarity matrix that dynamically adapts across iterations. This matrix facilitates improved estimation of both rotational and translational components during alignment. We demonstrate the robustness of ESM-ICP in two challenging scenarios: (i) large rotational discrepancies between the source and target point clouds, and (ii) data corrupted by non-Gaussian noise. Our results show that ESM-ICP outperforms traditional geometric registration techniques as well as several recent learning-based methods. To encourage reproducibility and community engagement, our full implementation is made publicly available on GitHub. https://github.com/aralab-unr/ESM_ICP
• 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の基本的な問題であり、LiDARや構造化光などの深度センサーを用いて様々な視点から捉えた3Dポイントセットのアライメントを含む。 現代のロボットシステム、特にマッピングに焦点を当てたシステムでは、同じ環境の複数のビューを正確にマージすることが不可欠である。 しかし、現状の登録技術は、点集合の間に大きな回転差が存在する場合や、センサノイズによってデータが著しく破損する場合にしばしば苦労する。 これらの課題は、ミスアライメントを招き、その結果、不正確な3D再構成や歪曲する可能性がある。 本研究では,古典的イテレーティブ・クローゼスト・ポイント(ICP)アルゴリズムに頑健な修正を加えることで,これらの制約に対処する。 提案手法は指数類似性行列ICP (Exponential similarity Matrix ICP) と呼ばれ,ガウスにインスパイアされた指数重み付けスキームを統合し,反復的に動的に適応する類似性行列を構築する。 この行列は、アライメント中の回転成分と翻訳成分の両方の見積もりを改善する。 ESM-ICPの頑健さを2つの挑戦シナリオで示す。 一 震源と目標点雲の回転差が大きいこと、及び (II)非ガウス雑音によるデータの破損 その結果,ESM-ICPは従来の幾何学的登録手法よりも優れており,近年の学習手法も優れていることがわかった。 再現性とコミュニティの関与を促進するため、私たちの完全な実装はGitHubで公開されています。 https://github.com/aralab-unr/ESM_ICP

関連論文リスト

• Diff-Reg v2: Diffusion-Based Matching Matrix Estimation for Image Matching and 3D Registration [33.8118117906136]
  本稿では,行列空間における拡散モデルを利用して,ロバストマッチング行列推定を行う革新的パラダイムを提案する。 具体的には、3D-3Dおよび2D-3D登録タスクに対して2次元行列空間に拡散モデルを適用する。 3つの登録タスクすべてに対して、各タスクの特定の特性に合わせた適応的マッチング行列埋め込み実装を提供する。
  論文  参考訳（メタデータ） (2025-03-06T06:13:27Z)
• RIGI: Rectifying Image-to-3D Generation Inconsistency via Uncertainty-aware Learning [27.4552892119823]
  マルチビュースナップショットの不整合は、しばしばオブジェクト境界に沿ってノイズやアーティファクトを導入し、3D再構成プロセスを損なう。 3次元ガウススプラッティング(3DGS)を3次元再構成に利用し,不確実性認識学習を再現プロセスに統合する。 適応的な画素単位の損失重み付けを適用してモデルを正規化し、不確実領域における再構成強度を低減させる。
  論文  参考訳（メタデータ） (2024-11-28T02:19:28Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Plug-and-Play Regularization on Magnitude with Deep Priors for 3D Near-Field MIMO Imaging [0.0]
  近接場レーダイメージングシステムは、隠蔽兵器の検出や医療診断など、幅広い用途で使用されている。 3次元複素数値反射率の問題は、その大きさに対して正則化を強制することによるものである。
  論文  参考訳（メタデータ） (2023-12-26T12:25:09Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• Multi-initialization Optimization Network for Accurate 3D Human Pose and Shape Estimation [75.44912541912252]
  我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。 第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。 第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。 最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
  論文  参考訳（メタデータ） (2021-12-24T02:43:58Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)

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。