要約
多視点点群の登録は、さまざまなコンピューター ビジョン タスクの基礎として機能します。
従来のアプローチは通常、グローバル パラダイムに準拠しており、最初にポーズ グラフが構築され、続いてモーション同期を行って絶対ポーズを決定します。
ただし、この分離されたアプローチはマルチビュー登録の特性を十分に活用できない可能性があり、重複が少ないシナリオでは困難になる可能性があります。
この論文では、成長するメタ形状にすべてのスキャンを段階的に登録する増分多視点点群登録方法を提案します。
増分順序を決定するために、点群候補の取得に 2 段階の粗いものから細かいものまでの戦略を採用します。
第 1 段階では、近隣融合により強化されたグローバル集約機能に基づいてスキャンの大まかな選択が行われ、第 2 段階では、幾何学ベースのマッチングを通じて候補がさらに再ランク付けされます。
さらに、変換平均化手法を適用して、登録プロセス中に蓄積されるエラーを軽減します。
最後に、計算負荷を軽減しながら密度変動の問題に対処するために、リザーバー サンプリング ベースの手法を利用します。
さまざまなベンチマークにわたる包括的な実験結果により、私たちのアプローチの有効性と一般化が検証されます。
要約(オリジナル)
Multiview point cloud registration serves as a cornerstone of various computer vision tasks. Previous approaches typically adhere to a global paradigm, where a pose graph is initially constructed followed by motion synchronization to determine the absolute pose. However, this separated approach may not fully leverage the characteristics of multiview registration and might struggle with low-overlap scenarios. In this paper, we propose an incremental multiview point cloud registration method that progressively registers all scans to a growing meta-shape. To determine the incremental ordering, we employ a two-stage coarse-to-fine strategy for point cloud candidate retrieval. The first stage involves the coarse selection of scans based on neighbor fusion-enhanced global aggregation features, while the second stage further reranks candidates through geometric-based matching. Additionally, we apply a transformation averaging technique to mitigate accumulated errors during the registration process. Finally, we utilize a Reservoir sampling-based technique to address density variance issues while reducing computational load. Comprehensive experimental results across various benchmarks validate the effectiveness and generalization of our approach.
arxiv情報
著者 | Shiqi Li,Jihua Zhu,Yifan Xie,Mingchen Zhu |
発行日 | 2024-07-10 10:24:28+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google