Iterative closest point
PulseAugur coverage of Iterative closest point — every cluster mentioning Iterative closest point across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Hydra方法实现了无标记手眼标定，精度有所提高
研究人员开发了一种新的无标记手眼标定方法Hydra，该方法利用RGB-D成像和一种新颖的迭代最近点（ICP）算法。该方法在李代数上构建了一个鲁棒的点对面目标，实现了约90%的成功标定率，与现有方法相比，收敛速度更快，收敛时间更短。Hydra的精度有所提高，任务空间误差为5毫米，而经典方法的误差为7毫米，并且其相关的代码和数据集已开源。
-
新的CVSD-Reg方法使用视觉模型进行鲁棒的激光雷达配准
研究人员开发了CVSD-Reg，一个用于鲁棒全局激光雷达配准的新框架，该框架利用了来自视觉基础模型的视觉语义先验。该方法将知识从DINOv2教师模型蒸馏到Point Transformer V3学生模型中，增强了其创建视点鲁棒描述符的能力。然后，将蒸馏后的表示形式应用于配准任务，在KITTI和nuScenes等基准测试中取得了很高的成功率。值得注意的是，CVSD-Reg在不同传感器之间表现出强大的泛化能力，并且在推理过程中无需相机输入。
-
基于激光雷达的三维变化检测方法准确率达95.3%
研究人员开发了一种新的大规模三维变化检测方法，使用激光雷达数据，解决了现有技术的局限性。该方法采用多分辨率正态分布变换和迭代最近点方法进行数据对齐，然后进行面向对象的、考虑不确定性的分析。该方法提高了识别城市环境变化的准确性和细节，优于先前强大的基线方法。
-
新的 GeDi+ICP 方法改进了颌骨 CT 和口内扫描配准
研究人员开发了一种新方法，可以精确地将颌骨 CT 扫描与口内扫描进行配准，这是数字牙科和口腔外科的关键步骤。这项新技术结合使用了称为 GeDi 的领域可泛化局部描述符和迭代最近点 (ICP) 算法。所提出的 GeDi+ICP 方法在包括金属伪影存在在内的各种条件下，在精度上均优于单独使用 ICP 和单独使用 GeDi，实现了毫米级以下的平均绝对误差。
-
AR系统引导下颌骨手术，取代实体切割导板
研究人员开发了一种无标记的增强现实（AR）系统，用于引导下颌骨重建手术，有望取代成本高昂且耗时费力的实体切割导板。该系统使用HoloLens 2，通过分析表面几何形状（主要关注牙齿对齐）将虚拟切割导板配准到暴露的下颌骨上。幻影研究表明，在完全暴露的情况下，中位目标配准误差为4.05毫米，支持AR在术中引导的可行性。
-
新方法提高图像到点云配准精度 · 跟踪2个来源
两篇新研究论文提出了改进图像到点云配准精度和鲁棒性的新方法。第一篇，SemICP，整合了语义标签和生物力学特性，以增强对应匹配和形变正则化，在各种医学成像数据集上显示出改进的结果。第二篇，Cross-Coordinate Correspondence Pruning (CCP)，通过采用一个剪枝网络和一个多密度点集合策略来优化内点召回率并降低外点比例，解决了点云密度在配准中的挑战，实现了显著的性能提升。
-
新的DH-Active系统通过选择性弃权增强LiDAR深度感知
研究人员开发了DH-Active，一个新颖的几何处理系统，旨在增强iPhone等设备的深度感知能力。该系统无需训练，使用LiDAR回波作为度量尺，锚定多个视图的相对姿态，然后进行视觉可追踪点的三角测量。DH-Active选择性地放弃在几何条件不佳时进行深度估计，提供明确的空洞和分数，而不是不准确的数据。该系统实现了近毫秒级的CPU延迟，并在各种基准测试中显示出深度恢复精度的显著提高。
-
新研究强调单视角网格重建在机器人领域泛化问题的挑战
一篇新研究论文探讨了单视角网格重建的局限性，这是一种用于机器人空间推理和数字孪生的技术。研究表明，当机器人安装的相机发生显著旋转时，现有方法在泛化方面存在困难，导致三维不一致和物理违反。研究人员开发了一个评估协议，在 Aria Digital Twin 和真实 Franka 机器人序列等数据集上测试这些模型，发现虽然规范物体网格保持稳定，但布局预测会出现漂移。该论文提出了一种称为“重力感知细化”的方法，以提高对这类旋转误差的鲁棒性。
-
PointDiffusion 推动自动驾驶领域的三维场景重建
研究人员开发了 PointDiffusion，一种从稀疏 LiDAR 数据重建三维场景的新方法，这对于自动驾驶至关重要。该方法采用具有交叉注意力池化的多令牌高斯 VAE 进行稳定的场景尺度压缩，并采用基于锚点的 ICP 流水线来精炼真实数据，消除里程计漂移带来的噪声。这使得单步扩散补全模型能够显著降低误差，优于 LiDiff 和 ScoreLiDAR 等现有方法，并且推理延迟大大降低。
-
新AI方法增强机器人和手术中的点云配准
两篇新研究论文探讨了点云配准的高级技术。第一篇Generalized-CVO使用黎曼优化，在LiDAR和RGB-D数据的处理速度上比以前的方法快10倍，显著减少了在挑战性环境中的漂移。第二篇GAPR-Net采用基于Transformer的架构进行点云从局部到整体的配准，在涉及胫骨和股骨等骨骼结构的 the surgical applications 中表现出高精度。
-
Paired-CSLiDAR基准通过高度分层配准精炼航空-地面LiDAR姿态
研究人员开发了Paired-CSLiDAR，这是一种用于通过航空扫描精炼地面LiDAR扫描姿态的新基准和配准方法。挑战在于航空和地面视角之间共享的几何形状有限，通常只有地形表面。他们提出的残差引导分层配准（RGSR）管道是无训练且仅基于几何的，它利用高度分层ICP和其他技术来提高精度。RGSR在基准测试中表现出色，优于置信门控级联和GeoTransformer等现有方法。
-
研究人员开发了融合SPECT MPI和CTA心脏图像的新框架
研究人员开发了一个新颖的框架，以改进SPECT MPI和CTA医学图像的融合。该新方法通过自动从分割的心脏结构中提取标志点来解决配准不准确的问题，从而能够更精确地定位心肌缺血和评估病变的血流功能。该框架在60名患者身上进行了测试，证明了其在保留CTA详细冠状动脉信息的同时，准确叠加SPECT灌注数据的能力。
-
高斯混合描述符改进了用于对象重建的3D片段匹配
研究人员引入了一种名为高斯混合描述符（GMD）的新方法，用于对象重建任务中的3D片段匹配。该描述符利用高斯混合模型分析和描述断裂表面上的点分布，从而能够更准确地识别相邻片段。该方法包括分割局部表面块，估计凹陷和凸起区域的GMM参数，然后合并这些区域描述符。GMD之间的相似性使用L2距离进行测量，片段对齐由RANSAC和ICP算法实现。