Probabilistic Registration for Gaussian Process 3D shape modelling in the presence of extensive missing data

要約

【タイトル】欠損データの存在下でのガウス過程3D形状モデリングのための確率的登録

【要約】
– 欠損領域が多い形状のフィッティング/登録手法を提案
– ガウス過程はシェイプモデリングとフィッティングのため統一的な設定を提供する有効なツールである
– これまでの方法は人間の頭部の一般的な場合にはうまく機能するが、耳のように細かい変形がある場合、欠損データが多い場合は十分な結果を得られない
– そこで、多重注釈者ガウスプロセス回帰として形状フィッティング問題を定式化し、標準的な確率的登録との並行性を確立した
– SFGPという手法は、既存の登録方法や既存の形状モデルの登録手法と比較して欠損領域が広範囲に及ぶ場合において、より良い性能を発揮する
– 実験は、多様な変形を持つ2Dの小規模データセット、および耳の3Dデータセットの両方で行われた。

要約(オリジナル)

We propose a shape fitting/registration method based on a Gaussian Processes formulation, suitable for shapes with extensive regions of missing data. Gaussian Processes are a proven powerful tool, as they provide a unified setting for shape modelling and fitting. While the existing methods in this area prove to work well for the general case of the human head, when looking at more detailed and deformed data, with a high prevalence of missing data, such as the ears, the results are not satisfactory. In order to overcome this, we formulate the shape fitting problem as a multi-annotator Gaussian Process Regression and establish a parallel with the standard probabilistic registration. The achieved method SFGP shows better performance when dealing with extensive areas of missing data when compared to a state-of-the-art registration method and current approaches for registration with pre-existing shape models. Experiments are conducted both for a 2D small dataset with diverse transformations and a 3D dataset of ears.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI