論文の概要: Attention-guided reference point shifting for Gaussian-mixture-based partial point set registration

• arxiv url: http://arxiv.org/abs/2512.02496v1
• Date: Tue, 02 Dec 2025 07:38:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.773603
• Title: Attention-guided reference point shifting for Gaussian-mixture-based partial point set registration
• Title（参考訳）: ガウス混合型部分点集合登録のための注意誘導基準点シフト
• Authors: Mizuki Kikkawa, Tatsuya Yatagawa, Yutaka Ohtake, Hiromasa Suzuki,
• Abstract要約: 本研究では,入力点集合の変換と回転による部分対部分点集合登録における特徴ベクトルの影響について検討した。 GMMを用いた深層学習に基づく登録手法に関する理論的および実践的な問題を明らかにする。 本稿では2つの部分点集合の共通参照点を頑健に識別するアテンションベースの参照点シフト層を提案する。
• 参考スコア（独自算出の注目度）: 3.464871689508835
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study investigates the impact of the invariance of feature vectors for partial-to-partial point set registration under translation and rotation of input point sets, particularly in the realm of techniques based on deep learning and Gaussian mixture models (GMMs). We reveal both theoretical and practical problems associated with such deep-learning-based registration methods using GMMs, with a particular focus on the limitations of DeepGMR, a pioneering study in this line, to the partial-to-partial point set registration. Our primary goal is to uncover the causes behind such methods and propose a comprehensible solution for that. To address this, we introduce an attention-based reference point shifting (ARPS) layer, which robustly identifies a common reference point of two partial point sets, thereby acquiring transformation-invariant features. The ARPS layer employs a well-studied attention module to find a common reference point rather than the overlap region. Owing to this, it significantly enhances the performance of DeepGMR and its recent variant, UGMMReg. Furthermore, these extension models outperform even prior deep learning methods using attention blocks and Transformer to extract the overlap region or common reference points. We believe these findings provide deeper insights into registration methods using deep learning and GMMs.
• Abstract（参考訳）: 本研究では,入力点集合の翻訳と回転による特徴ベクトルの不変性が,特に深層学習とガウス混合モデル(GMM)に基づく手法の領域における影響について検討した。 本稿では,GMMを用いた深層学習に基づく登録手法に関する理論的および実践的な問題を明らかにするとともに,この系統の先駆的な研究であるDeepGMRの限界に着目し,部分的・部分的ポイントセットの登録に焦点をあてる。 我々の第一の目的は、そのような方法の背景にある原因を解明し、それに対する理解可能な解決策を提案することである。 そこで本研究では,2つの部分点集合の共通参照点を頑健に識別し,変換不変な特徴を得る,注意に基づく参照点シフト(ARPS)層を提案する。 ARPS層は、重なり合う領域ではなく共通の参照ポイントを見つけるために、よく研究された注意モジュールを使用する。 これにより、DeepGMRとその最新の派生型であるUGMMRegの性能が大幅に向上する。 さらに、これらの拡張モデルは、アテンションブロックとトランスフォーマーを使用して事前のディープラーニング手法よりも優れており、重なり合う領域や共通参照ポイントを抽出する。 深層学習とGMMを用いた登録手法について,これらの知見が深い洞察を与えると考えている。

関連論文リスト

• RoGA: Towards Generalizable Deepfake Detection through Robust Gradient Alignment [13.327130030147565]
  一般化勾配更新とEMM勾配更新を一致させる新しい学習目標を提案する。 鍵となる革新は、モデルパラメータへの摂動の適用であり、ドメイン間の上昇点を整列させることである。 複数の挑戦的なディープフェイク検出データセットの実験結果から、勾配アライメント戦略が最先端の領域一般化技術より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-27T03:02:21Z)
• Generative Classifier for Domain Generalization [84.92088101715116]
  ドメインの一般化は、分散シフトに対するコンピュータビジョンモデルの一般化性を目的としている。 生成駆動型ドメイン一般化(GCDG)を提案する。 GCDGは3つの重要なモジュールから構成される: 異種性学習(HLC)、純粋相関(SCB)、横成分バランス(DCB)。
  論文  参考訳（メタデータ） (2025-04-03T04:38:33Z)
• Localization and Expansion: A Decoupled Framework for Point Cloud Few-shot Semantic Segmentation [39.7657197805346]
  Point Cloud few-shot semantic segmentation (PC-FSS)は、特定のクエリポイントクラウドに、いくつかのアノテーション付きのサポートサンプルで、新しいカテゴリのターゲットをセグメントすることを目的としている。 本稿では,DLE(Decoupled Localization and Expansion)の精神における,シンプルで効果的な枠組みを提案する。 構造的ローカライゼーションモジュール(SLM)と自己拡張モジュール(SEM)を含むDLEは、いくつかのメリットを享受している。
  論文  参考訳（メタデータ） (2024-08-25T07:34:32Z)
• Mixture-of-Noises Enhanced Forgery-Aware Predictor for Multi-Face Manipulation Detection and Localization [52.87635234206178]
  本稿では,多面的操作検出と局所化に適したMoNFAPという新しいフレームワークを提案する。 このフレームワークには2つの新しいモジュールが含まれている: Forgery-aware Unified Predictor (FUP) Module と Mixture-of-Noises Module (MNM)。
  論文  参考訳（メタデータ） (2024-08-05T08:35:59Z)
• D3Former: Jointly Learning Repeatable Dense Detectors and Feature-enhanced Descriptors via Saliency-guided Transformer [14.056531181678467]
  我々は、リピータブルなtextbfDetector と機能強化された textbfDescriptors の合同学習を必要とする textitD3Former と呼ばれるサリエンシ誘導型 Transtextbfformer を導入する。 提案手法は,常に最先端のクラウドマッチング手法より優れている。
  論文  参考訳（メタデータ） (2023-12-20T12:19:17Z)
• Calibrating Undisciplined Over-Smoothing in Transformer for Weakly Supervised Semantic Segmentation [51.14107156747967]
  弱教師付きセマンティックセマンティックセマンティクス(WSSS)は、完全な教師付きアプローチよりもアノテーションが少ないため、かなりの注目を集めている。 本研究では,非学際的な過密化に対する深い注意を抑えるための適応的再活性化機構 (AReAM) を提案する。 AReAMは既存のWSSS手法と比較してセグメンテーション性能を大幅に改善し、ノイズを低減し、関連するセマンティック領域に焦点を絞る。
  論文  参考訳（メタデータ） (2023-05-04T19:11:33Z)
• Domain-aware Triplet loss in Domain Generalization [0.0]
  ドメインシフトは、テストとトレーニングデータの分布の相違によって引き起こされる。 ドメイン一般化のためのドメイン認識三重項損失を設計し、モデルが類似のセマンティックな特徴をクラスタリングするのを助ける。 本アルゴリズムは,埋め込み空間におけるドメイン情報を分散するように設計されている。
  論文  参考訳（メタデータ） (2023-03-01T14:02:01Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Unsupervised learning of disentangled representations in deep restricted kernel machines with orthogonality constraints [15.296955630621566]
  Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。 本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
  論文  参考訳（メタデータ） (2020-11-25T11:40:10Z)

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。