FF-LOGO: Cross-Modality Point Cloud Registration with Feature Filtering and Local to Global Optimization
Faculty of Information Technology, Beijing University of Technology(北京工业大学信息学部);Tsinghua University(清华大学)
针对跨模态点云配准因传感器模态差异导致的难题,提出FF-LOGO框架,通过特征相关滤波与局部-全局两阶段优化,在3DCSR数据集上将召回率从40.59%提升至75.74%。
2024-04-12 cs.CV
DualReg: Dual-Space Filtering and Reinforcement for Rigid Registration
University of Science and Technology of China(中国科学技术大学);City University of Hong Kong(香港城市大学);University of Chinese Academy of Sciences(中国科学院大学)
本文提出DualReg方法,结合特征匹配和几何匹配的优势,通过高效过滤和优化算法提升刚体配准的准确性和效率,实验显示在KITTI数据集上速度提升32倍。
2026-04-02 cs.CV cs.RO
ORRN: An ODE-based Recursive Registration Network for Deformable Respiratory Motion Estimation with Lung 4DCT Images
University of California San Diego(加州大学圣地亚哥分校)
本文提出基于常微分方程的递归配准网络ORRN,通过估计时变体素速度并对ODE积分来建模肺4DCT中的呼吸运动,在DIRLab和CREATIS数据集上以低于1秒的计算速度取得最小目标配准误差,优于现有学习方法。
2023-05-25 cs.CV cs.LG eess.IV
A training-free recursive multiresolution framework for diffeomorphic deformable image registration
University of Alberta(阿尔伯塔大学);Servier Virtual Cardiac Centre(施维雅虚拟心脏中心);Mazankowski Alberta Heart Institute(马赞科夫斯基阿尔伯塔心脏研究所)
微分变形图像配准是医学图像分析中的关键任务之一,其目的是在保持变换的拓扑结构和可逆性的同时找到唯一的变换。深度卷积神经网络(CNN)通过从大型数据集中学习变换先验,已经产生了非常适合图像配准的方法。这些方法性能的提高与它们从难以获得的几个样本医学图像中学习信息的能力有关,并且使框架偏向于特定的数据域。在本文中,我们提出了一种新的非纯训练的方法,这是建立在一个常微分方程的原则。我们的配方产生一个欧拉积分型递归计划,以估计在不同分辨率的固定和移动图像金字塔之间的空间变换的变化。所提出的架构设计简单。运动图像在每个分辨率下连续变形,最后与固定图像对齐;这个过程是递归的,在每个分辨率下,全卷积网络(FCN)对当前变形图像的变形的渐进变化进行建模。整个系统是端到端的,并从头开始为每对图像进行优化。与基于学习的方法相比,该方法既不需要专门的训练集,也不存在任何训练偏差。我们在三个心脏图像数据集上评估了我们的方法。评估结果表明,该方法达到了国家的最先进的配准精度,同时保持理想的仿形属性。
2022-02-01 cs.CV cs.LG eess.IV
RFVTM: A Recovery and Filtering Vertex Trichotomy Matching for Remote Sensing Image Registration
Shanghai Maritime University(上海海事大学)
在基于特征的图像配准中,可靠的特征点匹配是一个重要而又具有挑战性的过程。本文提出了一种鲁棒的特征点匹配算法--恢复和过滤顶点三分法匹配(RFVTM),用于去除遥感图像中的离群点并保留足够的内点。基于仿射变换后任意顶点与直线之间的几何关系保持不变的特点,提出了一种新的仿射不变描述子--顶点剖分描述子.顶点三分匹配(VTM)中的离群点去除是通过迭代比较对应顶点三分描述符的视差来实现的。在VTM迭代中,一些被大量离群值错误验证的内点被移除,并且使用相同的图结构不能排除接近正确位置的几个剩余离群值。因此,设计了一种恢复和过滤策略,以恢复一些内点基于相同的顶点剖分描述符和限制的转换误差。借助额外的恢复内点,在扩展顶点集达到相同图的过程中,也可以过滤掉剩余的离群点。实验结果表明,该算法在各种情况下,如遥感图像变换较大、模式重复、光谱内容不一致等情况下,均具有较好的精度和稳定性。
2022-04-02 cs.CV eess.IV
RANSAC Back to SOTA: A Two-stage Consensus Filtering for Real-time 3D Registration
School of Computer Science, Wuhan University(武汉大学计算机学院);Hong Kong Polytechnic University(香港理工大学);School of Remote Sensing and Information Engineering, Wuhan University(武汉大学遥感信息工程学院)
针对 RANSAC 在高外点率下迭代激增的问题,本文提出 TCF,通过长度、角度和距离一致性的两阶段滤波实现实时三维点云配准,并在 KITTI、ETH 上较 MAC 最高加速三个数量级。
2024-12-05 cs.CV cs.RO
HighRes-net: Recursive Fusion for Multi-Frame Super-Resolution of Satellite Imagery
Element AI;Mila;Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学)
生成式深度学习引发了新一轮的超分辨率(SR)算法,这些算法可以增强单个图像,并获得令人印象深刻的美学效果,尽管其中包含虚构的细节。多帧超分辨率(MFSR)通过对多个低分辨率视图进行调节,为不适定问题提供了一种更接地的方法。这对于卫星监测人类对地球的影响-从砍伐森林到侵犯人权-十分重要,因为这些影响依赖于可靠的图像。为此,我们提出了HighRes-net,这是MFSR的第一种深度学习方法,它以端到端的方式学习其子任务:(i)共配准,(ii)融合,(iii)上采样,(iv)丢失配准。低分辨率视图的共配准是通过参考帧通道隐式地学习的,没有显式的配准机制。我们学习了一个全局融合算子,该算子递归地应用于任意数量的低分辨率对。我们引入了注册损失,通过学习将SR输出与ShiftNet的地面实况对齐。我们表明,通过学习多个视图的深度表示,我们可以超分辨率低分辨率信号并大规模增强地球观测数据。我们的方法最近在欧洲航天局的MFSR真实世界卫星图像竞赛中名列前茅。
2020-02-15 cs.CV cs.LG eess.IV
FilterReg: Robust and Efficient Probabilistic Point-Set Registration using Gaussian Filter and Twist Parameterization
Massachusetts Institute of Technology(麻省理工学院)
概率点集配准方法因其对噪声、离群点和遮挡的鲁棒性而受到越来越多的关注。然而,这些方法往往比流行的迭代最近点(ICP)算法慢得多,这严重限制了它们的可用性。在本文中,我们贡献了一种新的概率注册方法,实现了最先进的鲁棒性,以及比现代ICP实现更快的计算性能。这是使用严格但计算效率高的概率公式来实现的。点集配准被转换为最大似然估计,并使用EM算法求解。我们表明,一个简单的增强,E步骤可以制定为一个过滤问题,使我们能够利用高效的高斯滤波方法的进步。我们还提出了一个定制的permutohedral过滤器,以提高效率,同时保持足够的精度,我们的任务。此外,我们提出了一个简单而有效的扭曲参数化,推广我们的方法,关节和变形对象的注册。对于铰接对象,我们的方法的复杂性几乎是独立的自由度(DOF),这使得它非常有效,即使是高自由度系统。结果表明,该方法在各种配准任务上始终优于许多竞争基线。
2019-07-16 cs.CV
3D B-mode ultrasound speckle reduction using deep learning for 3D registration applications
Polytechnique Montreal(蒙特利尔理工学院);CHUM Research Center(CHUM研究中心)
超声(US)散斑是颗粒状图案,可能会妨碍图像后处理任务,如图像分割和配准。传统的滤波方法通常用于去除US散斑,而它们的主要缺点是在3D场景中运行时间长。尽管进行了一些研究以使用深度学习来去除2D US斑点,但据我们所知,没有研究使用深度学习来执行3D B模式US的斑点减少。在这项研究中,我们提出了一个三维密集的U-网络模型来处理三维超声B型数据从临床超声系统。模型的结果被应用于三维配准。我们表明,与传统的滤波方法(0.978)相比,我们的深度学习框架可以在斑点减少方面获得类似的抑制和均值保持指数(1.066),同时将运行时间减少了两个数量级。此外,发现使用我们的深度学习模型的斑点减少有助于提高3D配准性能。使用三维U网散斑抑制的三维数据的三维配准的均方误差相比于散斑减少一半。
2020-08-03 cs.CV eess.IV
Joint Recursive Monocular Filtering of Camera Motion and Disparity Map
单目场景重建对于机器人或自动驾驶等现代应用至关重要。虽然立体方法通常比单目方法产生更好的精度,但它们更昂贵且更难以校准。在这项工作中,我们提出了一种新型的二阶最佳最小能量滤波器,它在包含新型视差组的积李群上递归地联合估计相机运动、视差图和高阶运动学。这种数学框架能够处理非欧几里德状态空间,非线性观测和高维数,这对于大多数经典滤波器是不可行的。为了对离群值具有鲁棒性,我们在这个框架中使用广义Charbonnier能量函数,而不是相关工作中提出的二次能量函数。实验证实,我们的方法可以实现与最先进技术相媲美的准确重建。
2016-06-07 cs.CV math.OC
Multimodal MRI Neuroimaging with Motion Compensation Based on Particle Filtering
University of Michigan(密歇根大学)
在fMRI研究中,扫描过程中的头部运动阻碍了激活检测。使用基于切片的回波平面成像(EPI)采集的fMRI中的头部运动可以通过经由图像配准将图像对准到参考体积来估计和补偿。然而,配准EPI图像体积到体积未能考虑切片之间的头部运动,这可能导致严重偏置的头部运动估计。通过更准确地表示图像采集序列,可以使用切片到体积配准来估计每个切片的运动参数。然而,准确的切片到体积映射取决于切片的信息内容:中间切片信息丰富,而边缘切片信息贫乏,更容易失真。在这项工作中,我们提出了一个基于高斯粒子滤波器的头部运动跟踪算法,以减少图像配准误差。该算法使用头部运动的动态状态空间模型,其具有对扫描仪的连续切片采集进行建模的观测方程。在该模型下,粒子滤波器提供更准确的运动估计和体素位置估计。我们证明了显着的性能改进所提出的方法相比,仅注册的方法,头部运动估计和大脑激活检测。
2015-11-11 cs.CV physics.data-an physics.med-ph
Robust Building-based Registration of Airborne LiDAR Data and Optical Imagery on Urban Scenes
IMT Atlantique(大西洋理工大学)
本文的动机是解决注册机载激光雷达数据和光学航空或卫星图像从不同的平台,在不同的时间,不同的角度和详细程度的问题。在本文中,我们提出了一个强大的注册方法的基础上,建筑物区域,这是从光学图像中提取的均值漂移分割,并从激光雷达数据使用的三维点云滤波过程。然后使用图变换匹配(GTM)来执行所提取的建筑物段的匹配,该图变换匹配允许确定段中心的相对位置的共同模式。由于这种配准,数据集之间的相对偏移显著减少,这使得随后的精细配准和由此产生的高质量数据融合成为可能。
2019-04-07 cs.CV
Fast and Accurate Point Cloud Registration using Trees of Gaussian Mixtures
NVIDIA Research(英伟达研究院)
点云配准是许多重要且具有挑战性的3D感知问题的核心,包括自主导航、SLAM、对象/场景识别和增强现实。在本文中,我们提出了一种新的注册算法,能够实现国家的最先进的速度和精度,通过其使用的分层高斯混合模型(GMM)表示。我们的方法构建了一个自上而下的多尺度表示的点云数据递归运行许多小规模的数据似然分割并行GPU上。我们利用所得到的表示使用一种新的PCA为基础的优化标准,自适应地找到最好的规模来执行点云数据的空间子集之间的数据关联。与以前的迭代最近点和基于GMM的技术相比,我们的基于树的点关联算法在并行时间内执行数据关联,同时动态调整细节级别,以最好地匹配局部场景几何的复杂性和空间分布特性。此外,不像其他GMM方法,限制协方差是各向同性的,我们的新的PCA为基础的优化标准很好地逼近真正的MLE解决方案,即使完全各向异性高斯协方差使用。高效的数据关联、多尺度适应性和强大的MLE近似产生了一种算法,该算法在从LiDAR到结构光捕获的各种3D数据集上比当前最先进的算法更快、更准确。
2018-07-06 cs.CV
Analysis of Descent-Based Image Registration
Ecole Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
我们提出了一个性能分析的图像配准与梯度下降方法。我们考虑一个典型的多尺度配准设置,其中一对图像之间的全局2-D平移估计通过平滑图像和最小化它们之间的距离与梯度下降。我们的研究特别集中在噪声和低通滤波对对准精度的影响。我们采用图像的解析表示,并通过估计其不存在不期望的局部极小值的平移邻域来分析图像距离函数的良好性。这对应于可以用简单的梯度下降最小化正确计算的平移向量的邻域。我们表明,该邻域的面积至少增加平方的平滑滤波器的大小,这证明了使用的平滑步骤,如梯度下降局部优化的图像配准。然后,我们研究噪声对对准精度的影响,并推导出噪声特性和滤波器大小方面的对准误差的上限。我们的主要发现是,误差以至少与滤波器大小成线性关系的速率增加。因此,平滑改善了距离函数的良好的一致性;然而,这是以放大噪声设置中的对准误差为代价的。我们的研究结果提供了一个数学上的见解,为什么分层技术是有效的图像配准,这表明,这些技术的多尺度粗到细的对齐策略是非常合适的,从权衡的角度来看,良好的目标函数和配准精度之间的权衡。据我们所知,这是第一个这样的研究下降为基础的图像配准。
2013-08-02 cs.CV
Automated 3D-GS Registration and Fusion via Skeleton Alignment and Gaussian-Adaptive Features
School of Automation, Beijing Institute of Technology(自动化学院,北京理工大学)
提出一种自动化 3D-GS 子地图配准与融合方法,通过几何骨架、椭球感知卷积和多因素高斯融合,在 ScanNet-GSReg 与 Coord 上显著降低 RRE 并提升 PSNR。
2025-07-28 cs.CV
Efficient divide-and-conquer registration of UAV and ground LiDAR point clouds through canopy shape context
School of Geospatial Engineering and Science, Sun Yat-Sen University(中山大学测绘科学与技术学院);Department of Land Surveying and Geo-Informatics, The Hong Kong Polytechnic University(香港理工大学土地测量及地理资讯学系);Changjiang River Scientific Research Institute (CRSRI)(长江水利委员会长江科学院);Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences(中国科学院空天信息创新研究院数字地球重点实验室);Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai)(南方海洋科学与工程广东省实验室(珠海))
森林中无人机激光扫描(ULS)和地面光探测和测距(LiDAR)点云的配准对于创建森林结构的详细表示和森林参数的准确反演至关重要。然而,森林遮挡对基于标记的配准方法提出了挑战,并且一些无标记的自动配准方法由于对象(例如,树、冠)分割。因此,我们使用分而治之的策略,并提出了一种自动化和有效的方法来注册ULS和地面激光雷达点云在森林中。配准分为粗配准和精配准,其中点云的粗配准又分为垂直配准和水平配准。垂直对准通过地面对准实现,地面对准通过地面点云法向量与水平面的变换关系实现,水平对准通过冠层投影图像匹配实现。在图像匹配过程中,首先利用地面滤波算法识别出植被点,然后将植被点投影到水平面上,得到两幅二值图像。为了匹配这两幅图像,匹配策略是使用基于冠层形状上下文特征,这是由两点同余集和冠层重叠描述。最后,结合地面对准和图像匹配的结果,实现了ULS和地面LiDAR数据集的粗对准,并完成了精配准。森林样地的实地测量结果表明了该方法的有效性、准确性和效率。实验结果表明,该方法能够实现不同样地的ULS和地面LiDAR数据的配准,水平对准误差小于0.02 m,平均运行时间小于1 s。
2022-01-27 cs.CV
MaFreeI2P: A Matching-Free Image-to-Point Cloud Registration Paradigm with Active Camera Pose Retrieval
Institute of Cyber-Systems and Control, Zhejiang University(浙江大学控制科学与工程学院 Cyber-Systems 研究所);Polytechnic Institute, Zhejiang University(浙江大学理工学院)
本文提出无匹配图像到点云配准范式MaFreeI2P,通过构建代价体并利用卷积网络在SE(3)空间中主动检索相机位姿,在KITTI-Odometry和Apollo-DaoxiangLake数据集上取得有竞争力的配准精度与召回率。
2024-08-05 cs.CV eess.IV
A unified approach for multi-object triangulation, tracking and camera calibration
目标三角测量、三维目标跟踪、特征对应和摄像机标定是摄像机网络估计的关键问题。本文针对这些问题,在一个统一的贝叶斯框架内联合多目标跟踪和传感器注册。考虑到使用标准滤波方法用于来自相机的状态估计是有问题的,利用了被称为视差空间的替代参数化。的视差空间为基础的三角测量和对象跟踪的方法被证明是更有效的比非线性版本的卡尔曼滤波器和粒子滤波的非整流相机。特征对应的方法是基于概率假设密度(PHD)过滤器,因此继承了能力,更新没有明确的测量关联,启动新的目标,并区分目标和杂波。然后,PHD滤波方法形成来自静态或移动对象的相机校准方法的基础。结果显示在模拟数据上。
2014-10-09 cs.CV stat.ME
Alignment-Aware and Reliability-Gated Multimodal Fusion for Unmanned Aerial Vehicle Detection Across Heterogeneous Thermal-Visual Sensors
本研究提出RGIF和RGMAF两种融合策略,通过注册意识和可靠性门控提升跨异质热视觉传感器的无人机检测性能。
2026-03-09 cs.AI cs.CV