Ilic, Slobodan (Priv.-Doz. Dr.); Di Stefano, Luigi (Prof., Ph.D.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik; MED Medizin
TUM classification:
MED 230d; DAT 760d
Abstract:
This thesis addresses the task of estimating the relative poses between pairwise partially overlapped point clouds, which is critical for a successful 3D reconstruction. For this purpose, we first propose two novel deep learning-based methods to extract more distinctive features to get better correspondences. Second, an algorithm that aims to further improve the pose estimation performance from the set of correspondences is introduced. Finally, a generic framework that can be used to tackle the issues of uncertainty and ambiguity in the problem of pose estimation is presented.
«
This thesis addresses the task of estimating the relative poses between pairwise partially overlapped point clouds, which is critical for a successful 3D reconstruction. For this purpose, we first propose two novel deep learning-based methods to extract more distinctive features to get better correspondences. Second, an algorithm that aims to further improve the pose estimation performance from the set of correspondences is introduced. Finally, a generic framework that can be used to tackle the...
»
Translated abstract:
Diese Arbeit befasst sich mit der Aufgabe, die relativen Posen zwischen paarweise teilweise überlappenden Punktwolken abzuschätzen, was für eine erfolgreiche 3D-Rekonstruktion entscheidend ist. Zu diesem Zweck schlagen wir zunächst zwei neuartige Deep-Learning-basierte Methoden vor, um charakteristischere Merkmale zu extrahieren und bessere Übereinstimmungen zu erzielen. Zweitens wird ein Algorithmus eingeführt, der darauf abzielt, die Posenschätzungsleistung über eine Menge an Punktkorrespondenzen weiter zu verbessern. Abschließend wird eine allgemeine Methode vorgestellt, mit dem die Probleme der Unsicherheit und Mehrdeutigkeit in der Posenschätzung behandelt werden können.
«
Diese Arbeit befasst sich mit der Aufgabe, die relativen Posen zwischen paarweise teilweise überlappenden Punktwolken abzuschätzen, was für eine erfolgreiche 3D-Rekonstruktion entscheidend ist. Zu diesem Zweck schlagen wir zunächst zwei neuartige Deep-Learning-basierte Methoden vor, um charakteristischere Merkmale zu extrahieren und bessere Übereinstimmungen zu erzielen. Zweitens wird ein Algorithmus eingeführt, der darauf abzielt, die Posenschätzungsleistung über eine Menge an Punktkorresponden...
»