論文の概要: Coarse-to-Fine Non-Rigid Registration for Side-Scan Sonar Mosaicking

• arxiv url: http://arxiv.org/abs/2512.00052v1
• Date: Wed, 19 Nov 2025 12:44:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.410368
• Title: Coarse-to-Fine Non-Rigid Registration for Side-Scan Sonar Mosaicking
• Title（参考訳）: サイドスキャンソナーモザイクにおける粗大な非剛性レジストレーション
• Authors: Can Lei, Nuno Gracias, Rafael Garcia, Hayat Rajani, Huigang Wang,
• Abstract要約: サイドスキャンソナーモザイクは大規模な海底マッピングにおいて重要な役割を果たしている。 既存の剛性またはアフィン登録法は複雑な変形をモデル化できない。 本稿では,大規模なサイドスキャンソナー画像に適した,粗大な階層的階層的非剛性登録フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.1631115063641726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Side-scan sonar mosaicking plays a crucial role in large-scale seabed mapping but is challenged by complex non-linear, spatially varying distortions due to diverse sonar acquisition conditions. Existing rigid or affine registration methods fail to model such complex deformations, whereas traditional non-rigid techniques tend to overfit and lack robustness in sparse-texture sonar data. To address these challenges, we propose a coarse-to-fine hierarchical non-rigid registration framework tailored for large-scale side-scan sonar images. Our method begins with a global Thin Plate Spline initialization from sparse correspondences, followed by superpixel-guided segmentation that partitions the image into structurally consistent patches preserving terrain integrity. Each patch is then refined by a pretrained SynthMorph network in an unsupervised manner, enabling dense and flexible alignment without task-specific training. Finally, a fusion strategy integrates both global and local deformations into a smooth, unified deformation field. Extensive quantitative and visual evaluations demonstrate that our approach significantly outperforms state-of-the-art rigid, classical non-rigid, and learning-based methods in accuracy, structural consistency, and deformation smoothness on the challenging sonar dataset.
• Abstract（参考訳）: サイドスキャンソナーモザイクは大規模海底マッピングにおいて重要な役割を担っているが, 多様なソナー取得条件による複雑な非線形, 空間的歪みに悩まされている。 既存の剛性またはアフィンの登録法はそのような複雑な変形をモデル化できないが、従来の非剛性技術は過度に適合し、スパース・テクスチャ・ソナーデータにロバスト性を欠いている。 これらの課題に対処するために、大規模なサイドスキャンソナー画像に適した粗大な階層的非剛性登録フレームワークを提案する。 提案手法は,大域的な薄板スプラインの初期化と,地形の整合性を保つために画像を構造的に一貫したパッチに分割するスーパーピクセル誘導セグメンテーションから始まる。 それぞれのパッチは、教師なしの方法で事前訓練されたSynthMorphネットワークによって洗練され、タスク固有のトレーニングなしで、密で柔軟なアライメントを可能にする。 最後に、融合戦略は、大域的および局所的な変形を滑らかで統一された変形場に統合する。 広汎な定量的および視覚的評価により,我々の手法は,挑戦的なソナーデータセット上での精度,構造的整合性,変形の滑らかさにおいて,最先端の剛性,古典的非剛性,学習に基づく手法を著しく上回っていることが示された。

関連論文リスト

• Variational Geometry-aware Neural Network based Method for Solving High-dimensional Diffeomorphic Mapping Problems [1.2955718209635254]
  我々は,$n$Dのマッピング問題に対して,メッシュフリーな学習フレームワークを提案する。 整合性歪みと体積歪みを規制し,変形品質に対する頑健な制御を可能にする。
  論文  参考訳（メタデータ） (2025-10-31T20:39:08Z)
• MeshMosaic: Scaling Artist Mesh Generation via Local-to-Global Assembly [62.48017648785026]
  MeshMosaicは,100K以上の三角形にスケールするアーティストメッシュ生成のための,新たなローカル・グローバルなフレームワークである。 MeshMosaicは,幾何学的忠実度とユーザの好みの両方において,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-09-24T11:02:03Z)
• Preconditioned Deformation Grids [41.79220966392968]
  非構造点雲列から直接コヒーレントな変形場を推定する新しい手法であるプレコンディショニング変形格子を導入する。 提案手法は,最先端技術と比較して,特に長いシーケンスにおいて優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-09-22T17:59:55Z)
• Generalizable Holographic Reconstruction via Amplitude-Only Diffusion Priors [48.96607421052462]
  インラインホログラフィーにおける位相検索は、コヒーレントイメージングにおける振幅と位相の非線形結合に起因する基本的な不適切な逆問題である。 本稿では,物体振幅のみを訓練した拡散モデルを用いて,回折強度から振幅と位相の両方を復元する手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T06:36:08Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Non-Rigid Shape Registration via Deep Functional Maps Prior [1.9249120068573227]
  本研究では,非剛体形状登録のための学習ベースフレームワークを提案する。 我々は、高次元埋め込みによって誘導される対応によって誘導されるターゲットポイントクラウドに向かって、ソースメッシュを変形する。 我々のパイプラインは、厳密でないクラウドマッチングのいくつかのベンチマークで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-11-08T06:52:57Z)
• Parallax-Tolerant Unsupervised Deep Image Stitching [57.76737888499145]
  本稿では,パララックス耐性の非教師あり深層画像縫合技術であるUDIS++を提案する。 まず,グローバルなホモグラフィから局所的な薄板スプライン運動への画像登録をモデル化するための,頑健で柔軟なワープを提案する。 本研究では, 縫合された画像をシームレスに合成し, シーム駆動合成マスクの教師なし学習を行うことを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:40:55Z)
• Implicit field supervision for robust non-rigid shape matching [29.7672368261038]
  2つの非剛性変形形状の対応を確立することは、ビジュアルコンピューティングにおける最も基本的な問題の1つである。 固定テンプレート上で連続的な形状の変形場を学習する自動デコーダフレームワークに基づく手法を提案する。 本手法は強い人工物の存在下では極めて堅牢であり,任意の形状のカテゴリに一般化することができる。
  論文  参考訳（メタデータ） (2022-03-15T07:22:52Z)
• Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
  Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。 提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
  論文  参考訳（メタデータ） (2020-06-15T09:15:54Z)
• ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy Contours [12.791313859673187]
  ProAlignNetは、輪郭形状間の大規模なミスアライメントと複雑な変換を説明できる。 近接感度および局所形状依存類似度測定値の上界から導出される新しい損失関数を用いて学習する。 実世界の2つの応用において、提案したモデルは最先端の手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2020-05-23T14:56:14Z)

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。