論文の概要: A Moment Matching-Based Method for Sparse and Noisy Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2508.02187v1
- Date: Mon, 04 Aug 2025 08:31:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:22.253314
- Title: A Moment Matching-Based Method for Sparse and Noisy Point Cloud Registration
- Title（参考訳）: モーメントマッチングによるスパースとノイズポイントのクラウド登録
- Authors: Xingyi Li, Han Zhang, Ziliang Wang, Yukai Yang, Weidong Chen,
- Abstract要約: モーメントマッチングに基づく登録フレームワークを提案する。
合成および実世界のデータセットの実験により、我々の手法は既存の手法よりも精度と堅牢性を達成することが示された。
提案手法はローカライズ性能を大幅に向上し,LiDARシステムに匹敵する結果が得られる。
- 参考スコア（独自算出の注目度）: 8.121132773789652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud registration is a key step in robotic perception tasks, such as Simultaneous Localization and Mapping (SLAM). It is especially challenging in conditions with sparse points and heavy noise. Traditional registration methods, such as Iterative Closest Point (ICP) and Normal Distributions Transform (NDT), often have difficulties in achieving a robust and accurate alignment under these conditions. In this paper, we propose a registration framework based on moment matching. In particular, the point clouds are regarded as i.i.d. samples drawn from the same distribution observed in the source and target frames. We then match the generalized Gaussian Radial Basis moments calculated from the point clouds to estimate the rigid transformation between two frames. Moreover, such method does not require explicit point-to-point correspondences among the point clouds. We further show the consistency of the proposed method. Experiments on synthetic and real-world datasets show that our approach achieves higher accuracy and robustness than existing methods. In addition, we integrate our framework into a 4D Radar SLAM system. The proposed method significantly improves the localization performance and achieves results comparable to LiDAR-based systems. These findings demonstrate the potential of moment matching technique for robust point cloud registration in sparse and noisy scenarios.
- Abstract（参考訳）: ポイントクラウド登録は、同時局在マッピング(SLAM)のようなロボット知覚タスクにおける重要なステップである。
特に粗い点と重い雑音のある環境では困難である。
反復閉点 (ICP) や正規分布変換 (NDT) のような伝統的な登録法は、しばしばこれらの条件下で堅牢で正確なアライメントを達成するのに困難である。
本稿では,モーメントマッチングに基づく登録フレームワークを提案する。
特に、点雲は、ソースフレームとターゲットフレームで観測された同じ分布から引き出されたサンプルであると見なされる。
次に、点雲から計算した一般化されたガウスラジアル基底モーメントとマッチングして、2つのフレーム間の剛性変換を推定する。
さらに、この方法は点雲間の明示的な点対点対応を必要としない。
さらに,提案手法の整合性を示す。
合成および実世界のデータセットの実験により、我々の手法は既存の手法よりも精度と堅牢性を達成することが示された。
さらに、我々のフレームワークを4D Radar SLAMシステムに統合する。
提案手法はローカライズ性能を大幅に向上し,LiDARシステムに匹敵する結果が得られる。
これらの結果は,スパースおよびノイズのシナリオにおけるロバストポイントクラウド登録のためのモーメントマッチング手法の可能性を示している。
関連論文リスト
- PKSS-Align: Robust Point Cloud Registration on Pre-Kendall Shape Space [15.151282762403305]
提案手法では,PKSS,テキストカラーブラックは形状測定に基づく手法であり,点間距離や点間距離を必要としない。
単純な並列加速度に基づいて、実際は効率と実現可能性を大幅に向上させることができる。
論文 参考訳（メタデータ） (2025-08-06T10:17:42Z) - 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) - EADReg: Probabilistic Correspondence Generation with Efficient Autoregressive Diffusion Model for Outdoor Point Cloud Registration [22.084204833166982]
我々は,LiDAR点雲の効率的かつロバストな登録のためのEADRegという新しいフレームワークを提案する。
我々は、二方向ガウス混合モデル(BGMM)を用いて、外接点を拒絶し、純化された点雲対を得る。
微細な段階では,拡散型PCRを自己回帰プロセスとして扱い,ロバストな点対応を生成する。
論文 参考訳（メタデータ） (2024-11-22T13:03:54Z) - 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) - A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。
CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。
スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
論文 参考訳（メタデータ） (2024-10-14T08:48:25Z) - Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。
我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。
4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
論文 参考訳（メタデータ） (2024-03-30T17:29:13Z) - Implicit neural representation for change detection [15.741202788959075]
点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。
Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。
本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
論文 参考訳（メタデータ） (2023-07-28T09:26:00Z) - 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) - LiDAR Point--to--point Correspondences for Rigorous Registration of
Kinematic Scanning in Dynamic Networks [0.0]
本稿では,LiDAR点雲の登録を改善するための新しい軌道調整手法を提案する。
本稿では、新しい観測モデルとして、動的ネットワークにどのように挿入されるか、および対応を選択する方法について述べる。
次に、低コストMEMS慣性センサを用いた実用的な空中レーザー走査シナリオにおける提案手法の性能評価実験について述べる。
論文 参考訳（メタデータ） (2022-01-03T11:53:55Z) - 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) - PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
本稿では,正規化フローを組み込んだPU-Flowについて述べる。
具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。
提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-07-13T07:45:48Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z)
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。