论文阅读Consistent Two-Flow Network for Tele-Registration of Point Clouds

本文主要是介绍论文阅读Consistent Two-Flow Network for Tele-Registration of Point Clouds,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

出自:出自深圳大学计算机科学与软件工程学院
期刊:未知

摘要
局部观测值的刚性配准是各个应用领域的一个基本问题。在计算机图形学中,特别注意由扫描设备产生的两个局部点云之间的配准。当两个点云之间的重叠区域很小时,最先进的配准技术很难实现配准,而当扫描对之间没有重叠时,则完全失败。在本文中,我们提出了一种基于学习的技术来缓解这一问题,点云以任意姿态呈现,很少或甚至没有重叠,这种设置被称为tele-registration。我们的技术是基于一种新的神经网络设计,它学习一类形状的先验,并能够补全部分形状。其关键思想是将配准和补全任务以一种相互强化的方式结合起来。特别地,我们同时使用两个耦合流训练配准网络和补全网络,一个是配准-补全,一个是补全-配准,并鼓励这两个流产生一致的结果。我们发现,与每个单独的流程相比,这种双流程训练可以实现稳健可靠的tele-registration,从而实现更好的点云预测,从而完成配准。值得一提的是,我们的神经网络中的每个组件在补全和配准方面都优于最先进的方法。我们通过几个消融实验进一步分析了我们的网络,并在大量的局部点云(合成的和真实的)上展示了它的性能,这些点云只有很小或没有重叠。代码:https://github.com/Salingo/CTF-Net

方法示意图:
在这里插入图片描述
方法流程图:
在这里插入图片描述
CTF-Net的架构。给出一对局部扫描,CTF-Net同时预测配准变换参数和补全点的坐标。预测遵循一种镜像方式,在一个流中执行配准和补全(R-C),在另一个流中执行补全和配准(C-R)。R-C流和C-R流分别用绿色线和紫色线表示。这两个流程通过提高其输出的一致性而相互加强,用灰色线表示。

将点云配准和点云补全任务结合在一起,使用深度学习方法紧耦合两个任务,视图突破单一方法的极限。
注:个人学习记录,欢迎转载,转载注明出处!

这篇关于论文阅读Consistent Two-Flow Network for Tele-Registration of Point Clouds的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/191574

相关文章

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

GNSS CTS GNSS Start and Location Flow of Android15

目录 1. 本文概述2.CTS 测试3.Gnss Flow3.1 Gnss Start Flow3.2 Gnss Location Output Flow 1. 本文概述 本来是为了做Android 14 Gnss CTS 的相关环境的搭建和测试,然后在测试中遇到了一些问题,去寻找CTS源码(/cts/tests/tests/location/src/android/locat

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已

OmniGlue论文详解(特征匹配)

OmniGlue论文详解(特征匹配) 摘要1. 引言2. 相关工作2.1. 广义局部特征匹配2.2. 稀疏可学习匹配2.3. 半稠密可学习匹配2.4. 与其他图像表示匹配 3. OmniGlue3.1. 模型概述3.2. OmniGlue 细节3.2.1. 特征提取3.2.2. 利用DINOv2构建图形。3.2.3. 信息传播与新的指导3.2.4. 匹配层和损失函数3.2.5. 与Super

软件架构模式:5 分钟阅读

原文: https://orkhanscience.medium.com/software-architecture-patterns-5-mins-read-e9e3c8eb47d2 软件架构模式:5 分钟阅读 当有人潜入软件工程世界时,有一天他需要学习软件架构模式的基础知识。当我刚接触编码时,我不知道从哪里获得简要介绍现有架构模式的资源,这样它就不会太详细和混乱,而是非常抽象和易

BERT 论文逐段精读【论文精读】

BERT: 近 3 年 NLP 最火 CV: 大数据集上的训练好的 NN 模型,提升 CV 任务的性能 —— ImageNet 的 CNN 模型 NLP: BERT 简化了 NLP 任务的训练,提升了 NLP 任务的性能 BERT 如何站在巨人的肩膀上的?使用了哪些 NLP 已有的技术和思想?哪些是 BERT 的创新? 1标题 + 作者 BERT: Pre-trainin