論文の概要: Gmd: Gaussian mixture descriptor for pair matching of 3D fragments

• arxiv url: http://arxiv.org/abs/2604.21519v1
• Date: Thu, 23 Apr 2026 10:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.446724
• Title: Gmd: Gaussian mixture descriptor for pair matching of 3D fragments
• Title（参考訳）: Gmd:3次元断片のペアマッチングのためのガウス混合記述子
• Authors: Meijun Xiong, Zhenguo Shi, Xinyu Zhou, Yuhe Zhang, Shunli Zhang,
• Abstract要約: 本稿では,ガウス混合モデル(GMM)を用いて点の分布に適合する新しい局所記述子を提案する。 本手法では,局所的な表面パッチを凹凸領域と凸領域に分割し,GMMのk値を推定する。 隣接フラグメントを決定するためのGMDの類似性を測定するため,L2距離を用いてフラグメントを整列する。
• 参考スコア（独自算出の注目度）: 13.85031447113334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the automatic reassembly of fragments acquired using laser scanners to reconstruct objects, a crucial step is the matching of fractured surfaces. In this paper, we propose a novel local descriptor that uses the Gaussian Mixture Model (GMM) to fit the distribution of points, allowing for the description and matching of fractured surfaces of fragments. Our method involves dividing a local surface patch into concave and convex regions for estimating the k value of GMM. Then the final Gaussian Mixture Descriptor (GMD) of the fractured surface is formed by merging the regional GMDs. To measure the similarities between GMDs for determining adjacent fragments, we employ the L2 distance and align the fragments using Random Sample Consensus (RANSAC) and Iterative Closest Point (ICP). The extensive experiments on real-scanned public datasets and Terracotta datasets demonstrate the effectiveness of our approach; furthermore, the comparisons with several existing methods also validate the advantage of the proposed method.
• Abstract（参考訳）: レーザースキャナーを用いて物体を再構成する断片の自動再組み立てにおいて、重要なステップは破面の整合である。 本稿では,Gaussian Mixture Model (GMM) を用いた局所記述器を提案する。 本手法では,局所的な表面パッチを凹凸領域と凸領域に分割し,GMMのk値を推定する。 そして、破壊面の最終的なガウス混合記述子(GMD)は、局所的なGMDをマージすることによって形成される。 隣接フラグメントを決定するためのGMDの類似性を測定するため,L2距離を用い,Random Sample Consensus (RANSAC) と Iterative Closest Point (ICP) を用いてフラグメントを整列する。 実スキャンされた公開データセットとTerracottaデータセットに関する広範な実験は、我々のアプローチの有効性を示し、さらに、既存手法との比較も提案手法の利点を実証する。

関連論文リスト

• A Unified View of Drifting and Score-Based Models [92.51878018325031]
  ドリフトがカーネル平滑分布にスコアベースの定式化を許すことを示すことにより,拡散モデルの背後にあるスコアマッチング原理との関係を正確にする。 一般的なラプラス核に対して正確な分解を導出し、ラプラス核に対してドリフトが低温および高次元状態におけるスコアマッチングの正確なプロキシであることを示す厳密な誤差境界を証明した。
  論文  参考訳（メタデータ） (2026-03-08T07:41:36Z)
• MV-JAR: Masked Voxel Jigsaw and Reconstruction for LiDAR-Based Self-Supervised Pre-Training [58.07391711548269]
  Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training Masked Voxel Jigsaw and Reconstruction (MV-JAR) method for LiDAR-based self-supervised pre-training
  論文  参考訳（メタデータ） (2023-03-23T17:59:02Z)
• 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)
• Detecting Rotated Objects as Gaussian Distributions and Its 3-D Generalization [81.29406957201458]
  既存の検出方法は、パラメータ化バウンディングボックス(BBox)を使用して(水平)オブジェクトをモデル化し、検出する。 このような機構は回転検出に有効な回帰損失を構築するのに基本的な限界があると主張する。 回転した物体をガウス分布としてモデル化することを提案する。 2次元から3次元へのアプローチを、方向推定を扱うアルゴリズム設計により拡張する。
  論文  参考訳（メタデータ） (2022-09-22T07:50:48Z)
• SHRED: 3D Shape Region Decomposition with Learned Local Operations [9.840290491547162]
  3D SHape Region Decomposition法としてSHREDを提案する。 SHREDは3Dポイントクラウドを入力として、学習したローカル操作を使用して、きめ細かい部分インスタンスを近似するセグメンテーションを生成する。
  論文  参考訳（メタデータ） (2022-06-07T17:55:15Z)
• Federated Learning Algorithms for Generalized Mixed-effects Model (GLMM) on Horizontally Partitioned Data from Distributed Sources [10.445522754737496]
  本稿では,一般化線形混合効果モデル(GLMM)を実現するための2つのアルゴリズムを開発する。 GLMMの対数類似関数は2つの数値法により近似される。 実験結果は、シミュレーションと実世界のデータによる比較(Laplace)と優れた(Gaussian-Hermite)パフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-09-28T21:01:30Z)
• Copy-Move Image Forgery Detection Based on Evolving Circular Domains Coverage [5.716030416222748]
  提案手法はブロックベースとキーポイントベースの両方の偽造検出手法を統合する。 実験結果から, CMFD方式により, 種々の攻撃による検出性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2021-09-09T16:08:03Z)
• Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
  本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。 精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-11T03:39:08Z)
• A Rigorous Link Between Self-Organizing Maps and Gaussian Mixture Models [78.6363825307044]
  本研究は、自己組織化マップ(SOM)とガウス混合モデル(GMM)の関係を数学的に扱うものである。 我々は,エネルギーベースSOMモデルを勾配勾配下降と解釈できることを示した。 このリンクはSOMsを生成確率モデルとして扱うことができ、SOMsを使用して外れ値を検出したりサンプリングしたりするための正式な正当性を与える。
  論文  参考訳（メタデータ） (2020-09-24T14:09:04Z)
• Projection pursuit based on Gaussian mixtures and evolutionary algorithms [0.0]
  ガウス混合モデル(GMM)に基づく投影探索(PP)アルゴリズムを提案する。 PPに対するこの半パラメトリックアプローチは柔軟であり、高い情報的構造を検出できることを示す。 提案手法の性能は人工データセットと実データセットの両方で示される。
  論文  参考訳（メタデータ） (2019-12-27T10:25:41Z)

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。