Concepts de base
사전 학습된 확산 모델과 단안 깊이 추정기를 활용하여 이미지와 포인트 클라우드 간 강건한 대응 관계를 구축하고, 이를 통해 정확한 이미지-포인트 클라우드 등록을 수행할 수 있다.
Résumé
이 논문은 이미지와 포인트 클라우드 간 대응 관계 구축을 위해 사전 학습된 확산 모델과 단안 깊이 추정기를 활용하는 FreeReg 방법을 제안한다.
먼저, 확산 모델을 통해 이미지와 깊이 맵 간 의미적으로 일관된 특징을 추출한다. 이를 통해 두 모달리티 간 대략적인 대응 관계를 구축할 수 있다.
이후, 단안 깊이 추정기를 활용하여 이미지의 기하학적 특징을 추출하고, 이를 확산 특징과 결합함으로써 정확하고 밀집된 대응 관계를 추정할 수 있다.
제안 방법은 이미지-포인트 클라우드 등록 작업에 대한 학습 없이도 기존 최신 방법들을 크게 능가하는 성능을 보인다. 실내외 벤치마크 데이터셋에서 평균 20.6% 향상된 Inlier Ratio, 3.0배 증가한 Inlier Number, 48.6% 향상된 Registration Recall을 달성한다.
Stats
이미지-포인트 클라우드 등록 작업에서 제안 방법 FreeReg는 기존 최신 방법들 대비 평균 20.6% 향상된 Inlier Ratio를 달성한다.
FreeReg는 기존 최신 방법들 대비 3.0배 증가한 Inlier Number를 달성한다.
FreeReg는 기존 최신 방법들 대비 48.6% 향상된 Registration Recall을 달성한다.
Citations
"사전 학습된 확산 모델과 단안 깊이 추정기를 활용하여 이미지와 포인트 클라우드 간 강건한 대응 관계를 구축하고, 이를 통해 정확한 이미지-포인트 클라우드 등록을 수행할 수 있다."
"제안 방법은 이미지-포인트 클라우드 등록 작업에 대한 학습 없이도 기존 최신 방법들을 크게 능가하는 성능을 보인다."