論文の概要: MATTER: Multiscale Attention for Registration Error Regression
- arxiv url: http://arxiv.org/abs/2509.12924v1
- Date: Tue, 16 Sep 2025 10:21:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:53.029512
- Title: MATTER: Multiscale Attention for Registration Error Regression
- Title（参考訳）: MATTER: レジストレーションエラーの回帰のためのマルチスケールアテンション
- Authors: Shipeng Liu, Ziliang Xiong, Khac-Hoang Ngo, Per-Erik Forssén,
- Abstract要約: ポイントクラウド登録(PCR)は、同時ローカライゼーションとマッピング(SLAM)やオブジェクト追跡など、多くの下流タスクに不可欠である。
既存のメソッドはすべて、バリデーションを分類タスクとして扱い、いくつかのクラスに品質を割り当てることを目的としています。
本研究では, PCRバリデーションにレグレッションを用い, よりきめ細かな登録品質の定量化を可能にする。
- 参考スコア（独自算出の注目度）: 7.4240584069677995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point cloud registration (PCR) is crucial for many downstream tasks, such as simultaneous localization and mapping (SLAM) and object tracking. This makes detecting and quantifying registration misalignment, i.e.,~{\it PCR quality validation}, an important task. All existing methods treat validation as a classification task, aiming to assign the PCR quality to a few classes. In this work, we instead use regression for PCR validation, allowing for a more fine-grained quantification of the registration quality. We also extend previously used misalignment-related features by using multiscale extraction and attention-based aggregation. This leads to accurate and robust registration error estimation on diverse datasets, especially for point clouds with heterogeneous spatial densities. Furthermore, when used to guide a mapping downstream task, our method significantly improves the mapping quality for a given amount of re-registered frames, compared to the state-of-the-art classification-based method.
- Abstract（参考訳）: ポイントクラウド登録(PCR)は、同時ローカライゼーションとマッピング(SLAM)やオブジェクト追跡など、多くの下流タスクに不可欠である。
これにより、重要なタスクである登録ミスアライメント、すなわち–{\it PCR品質検証を検出し定量化する。
既存のメソッドはすべて、PCRの品質をいくつかのクラスに割り当てることを目的として、バリデーションを分類タスクとして扱う。
本研究では, PCRバリデーションにレグレッションを用い, よりきめ細かな登録品質の定量化を可能にする。
また,マルチスケール抽出とアテンションベースアグリゲーションを用いて,従来使用されていたアライメント関連機能を拡張した。
これにより、多種多様なデータセット、特に不均一な空間密度を持つ点雲の精度が高く頑健な登録誤差が推定される。
さらに、下流タスクのマッピングに使用する場合、本手法は、最先端の分類に基づく手法と比較して、所定の量の再登録フレームのマッピング品質を著しく向上させる。
関連論文リスト
- Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark [57.42211080221526]
異なるセンサーからのポイントクラウドデータを整列することを目的とした、クロスソースのポイントクラウド登録は、3Dビジョンの基本的なタスクである。
ディープ登録モデルをトレーニングするための大規模な実世界のデータセットが公開されていないことや、複数のセンサーによってキャプチャされたポイントクラウド固有の違いが課題となっている。
現在世界最大のマルチモーダル・クロスソース・クラウド登録データセットであるCross3DRegを構築している。
クロスソース・ポイント・クラウド機能の整合性を高めるために,ビジュアル・ジオメトリ・アテンションガイド付きマッチングモジュールを提案する。
論文 参考訳（メタデータ） (2025-09-08T09:01:13Z) - 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) - Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
放射線治療計画において,腫瘍標的と臓器の脱線は重要である。
自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。
提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
論文 参考訳（メタデータ） (2024-05-20T02:32:46Z) - Contrastive Pre-Training with Multi-View Fusion for No-Reference Point Cloud Quality Assessment [49.36799270585947]
No-Reference Point Cloud Quality Assessment (NR-PCQA) は、歪んだ点雲の知覚的品質を、参照なしで自動的に評価することを目的としている。
我々は,PCQA(CoPA)に適した新しいコントラスト付き事前学習フレームワークを提案する。
提案手法は,最新のPCQA手法よりも高い性能を示す。
論文 参考訳（メタデータ） (2024-03-15T07:16:07Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - DIPR: Efficient Point Cloud Registration via Dynamic Iteration [4.491867613612359]
我々は、ダイナミックイットフレームワークであるDIPRを通じて、スペーサー入力ポイントに基づくオーバーラップポイントに対話的にフォーカスする、新しい効率的なポイントクラウド登録を導入する。
提案手法は,最先端手法と比較して計算時間とGPUメモリ消費を大幅に削減しつつ,優れた登録精度を実現する。
論文 参考訳（メタデータ） (2023-12-05T16:47:46Z) - Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
物体検出に適した確実な擬似ラベルを導入する。
我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。
提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
論文 参考訳（メタデータ） (2021-06-01T01:32:03Z) - RB-CCR: Radial-Based Combined Cleaning and Resampling algorithm for
imbalanced data classification [5.448684866061922]
トレーニングデータのサンプル化は、不均衡バイナリデータの分類性能を改善するための標準的なアプローチである。
RB-CCRはクラスポテンシャルを利用して、合成オーバーサンプリングのためのデータ空間のサブリージョンを正確に見つける。
以上の結果から,RB-CCRはCCRよりも精度の高いリコールトレードオフを実現し,AUC や G-mean といった最先端のリサンプリング手法よりも優れていた。
論文 参考訳（メタデータ） (2021-05-09T19:47:45Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z) - Deformable Groupwise Image Registration using Low-Rank and Sparse
Decomposition [0.23310144143158676]
本稿では,画像登録におけるRPCA-dissimi-larityの欠点について検討する。
非パラメトリックな登録問題の解法として, 1次原始双対最適化に基づく理論的に正当化されたマルチレベルスキームを提案する。
論文 参考訳（メタデータ） (2020-01-10T15:25:36Z)
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。