New Algorithms for 3D Registration Using Raw Point Techniques
Notice bibliographique
Résumé
Registration of two 3D point clouds is a problem encountered in many domains in 3D computer vision. A correct correspondence between the overlapping portions of the point clouds can be used to generate a transform that registers the two point clouds. The search for correspondences can be done using techniques that attempt to find similarity between local or global surface geometry. However, such methods have their limitations. Global methods fail when there is significant surface occlusion, while local ones degrade in performance in the face of noise and outliers. In cases of significant occlusion, noise, and outliers, it is best to rely on a large number of correspondences between very small subsets of points [3]. The higher the number of correspondences, the more likely it is to find the correspondence that represents the correct transformation to achieve registration. In this thesis, a generalization to these subsets that allows us to control the degree of their ambiguity is introduced. Our generalization provides a way to optimize the number of correspondences as to achieve the maximum speed up without sacrificing robustness. We show that for the problem of offline registration we can achieve a speed up factor of up to 4.4x using our generalized version of the algorithm. We also use our generalization with and improved version of 4PCS [52], and show that we can achieve further efficiency improvements over the state of the art in raw point registration iIn addition to the generalization of the 4-Point Congruent sets method, we present a novel RANSAC framework for 3D registration. Unlike the standard RANSAC ap- proach, our approach requires sampling only 2 points and thus reducing the worst time complexity of the algorithm. We present two flavours of this approach and evalu- ate it by comparing it to 4PCS and Super 4PCS. We achieve a speed up improvement of up to 57x over 4PCS and are on par with Super 4PCS in most cases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,011 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».