비지도 학습 포인트 클라우드 정합을 위한 특징-기하학적 일관성 마이닝 및 전이
INTEGER는 교사-학생 프레임워크를 사용하여 저수준 기하학 정보와 고수준 문맥 정보를 통합하여 신뢰할 수 있는 의사 레이블을 생성하고, 이를 통해 비지도 학습 포인트 클라우드 정합 작업에서 우수한 성능을 달성합니다.
효율성과 정확성을 모두 확보하는 마이크로 구조 그래프 기반 포인트 클라우드 정합
본 논문에서는 효율성과 정확성을 모두 갖춘 새로운 마이크로 구조 그래프 기반 전역 포인트 클라우드 정합 방법을 제안합니다.
GPU 메모리 효율적인 포인트 클라우드 정합을 위한 겹치는 영역 샘플링 기법
대규모 3D 포인트 클라우드 정합 작업에서 GPU 메모리 사용량을 줄이면서도 정확도를 유지하는 새로운 샘플링 방법을 제안합니다.
NAR-*ICP: 고전적 ICP 기반 포인트 클라우드 정합 알고리즘의 신경망 실행
본 논문에서는 고전적 ICP 기반 포인트 클라우드 정합 알고리즘의 중간 단계를 학습하여 알고리즘의 추론 과정을 모방하는 그래프 신경망(GNN) 기반 학습 프레임워크인 NAR-*ICP를 제안합니다.
다목적 계층적 포인트 클라우드 정합을 위한 일관성 인식 스폿 기반 트랜스포머
본 논문에서는 기하학적 일관성을 중시하는 새로운 coarse-to-fine 정합 네트워크인 CAST(Consistency-Aware Spot-Guided Transformer)를 제안하여, 기존 방법들보다 정확하고 효율적이며 강력한 포인트 클라우드 정합 성능을 달성했습니다.
희소 포인트 클라우드 정합을 위한 등변 SE(3) 그래프 네트워크 모델, Equi-GSPR
본 논문에서는 희소 포인트 클라우드 정합을 위한 새로운 딥러닝 모델인 Equi-GSPR을 제안하며, 이 모델은 SE(3) 등변성을 갖는 그래프 신경망을 사용하여 회전 변환에 강건하고 정확한 포인트 클라우드 정합을 가능하게 합니다.
로컬 기하학적 특징을 활용한 강력한 포인트 클라우드 정합을 위한 LoGDesc: 지역적 기하학적 특징 집계
LoGDesc는 지역 기하학적 특징과 학습 기반 특징 전파를 결합하여 노이즈가 많고 겹치는 부분이 적은 포인트 클라우드에서도 강력한 성능을 보이는 새로운 하이브리드 기술어입니다.
© 2024 by Linnk AI