优化有助于降低注册误差
我们提出了一种端到端的文本渲染框架,利用三重交叉关注机制在细致的背景环境中创建精确的海报文本,验证了该方法生成具有复杂和丰富背景的海报图像的能力。
Jul, 2024
点云配准中的局部和全局特征提取是一个常见问题。本文提出了一种名为 “Point Tree Transformer (PTT)” 的新型基于 Transformer 的方法,通过构建点云的层次特征树和引入一种新的点树注意力机制(PTA)来提取细粒度的局部和全局特征,从而有效地解决低相关性点引起的性能下降和计算复杂度过高的问题。实验证明,该方法在 3DMatch、ModelNet40 和 KITTI 数据集上取得了优越的性能。
Jun, 2024
我们首次提出了一种新的理论方法,用于解决共形几何代数中不需要对应关系的多矢量云配准问题。该方法通过构建一个超出典型向量空间的正交自同构,并保持多矢量分级,实现了注册。我们将展示该方法能够在不直接访问输入多矢量的情况下进行注册,而是使用由共形模型提供的原始几何对象,即多矢量,通过解决多线性特征值问题来获取几何对象。这样,我们可以明确地避免在注册过程中解决对应关系,并同时实现输入多矢量和特征多矢量之间的旋转等变性质。通过在常用的点云注册数据集上进行实验评估,我们证明了该方法的实用性,特别是在高水平噪声引起的不确定性方面。
Jun, 2024
本研究介绍了一种名为 L-PR 的新型框架,利用 LiDAR 基准标志(类似于 AprilTag 和 ArUco 标记)来注册无序的低重叠多视点点云。通过改进的自适应阈值标记检测方法和二级图优化,该方法在准确性、重建质量、定位准确性和对恶化场景的鲁棒性等四个方面表现优越。我们将方法和数据集开源,链接:https://this_URL。
Jun, 2024
在点云配准领域,本文介绍了一种轻量级的基于学习的姿态评估器(Deep-PE),用于增强姿态选择的准确性,特别是在低重叠的挑战性点云场景中。该网络结合了姿态感知注意力模块和姿态置信度预测模块,通过学习不同候选姿态下点云的对齐状态来提高注册的成功率。在多个基准测试中,Deep-PE 在低重叠率的情况下,相对于基于手工 FPFH 和基于学习的 FCGF 描述符的最先进方法,注册召回率分别提高了至少 8% 和 11%。据我们所知,这是第一项利用深度学习在没有显式输入对应关系的情况下选择最优姿态的研究。
May, 2024
通过提出一种新的特征组合框架,应用松散但更有效的融合,克服各种特征的弱点,并利用两种类型特征的有效信息,该方法在 ScanNet 上实现了最先进的性能,旋转精度达到了 99.1%。
May, 2024
通过模仿学习方法和最少一组人类演示,ExACT 是构建完全自主挖掘机系统的首个实例,其能够完成不同的挖掘任务。
May, 2024
深度学习在增强现实引导手术中的应用可能性进行了评估,通过使用医学成像和基于 HoloLens 2 的点云数据集来研究深度学习点云对图像到患者注册的效果,并发现在具有挑战性的数据集上传统注册流程仍然优于某些深度学习方法。
May, 2024
通过学习适应不同尺寸的被遮挡人员的检测器并采用多粒度原型作为假设任务的方式,我们提出了一种名为 AdaFPP 的全新的自适应聚焦双向原型学习框架,用于在全景活动场景中联合识别个体、群体和全局活动。
May, 2024