refine opvoxel × voxel × position → tableimport fullseye as fs; fs.ledger.refine_lm(scene, template, init_pos, device='cpu', iters=50, scale=True, gain=False, lam0=0.001, tol=1e-08) (実装を直接呼ぶなら import match3d; match3d.refine_lm(scene, template, init_pos, device='cpu', iters=50, scale=True, gain=False, lam0=0.001, tol=1e-08)、台帳から引くなら ops3d.get("refine_lm"))device="cuda")Levenberg-Marquardt による並進(+等方スケール/輝度ゲイン)サブボクセル精緻化。
粗いマッチ位置 init_pos(テンプレ中心の scene 内座標 [z,y,x])を出発点に、 forward-additive Lucas-Kanade を減衰付き Gauss-Newton(LM)で解き SSD E(p) = Σ_x [ I(W(x;p)) - g·T(x) ]² を最小化する。整数 NCC / Fourier-Mellin / Hough の粗推定を連続座標へ収束させる後段。
ワープ W(x;p) = t + s·(x - c_T) (c_T=テンプレ中心, t=並進, s=等方スケール) ヤコビアン ∂I(W)/∂p は grid_sample を自動微分に通して厳密取得(三線形補間の解析勾配。 固定点が真の SSD 最小に一致 → sobel 定数倍のバイアスを避け高精度)。 LM Δp = -(H + λ·diag(H))⁻¹ b、成功(コスト減)で λ×0.4 減衰・失敗で λ×5 増加。
引数: scene : シーン volume (D,H,W)。 template : テンプレ volume (Td,Th,Tw)。scene より小。 init_pos : 粗いテンプレ中心位置 [z,y,x] (voxel。NCC locate の [d,h,w] 等)。 device : “cpu” / “cuda”。device 非依存。 iters : 最大反復数(通常 4-6 で収束)。 scale : True で等方スケール s を同時最適化(4パラメータ)。False なら並進のみ。 gain : True で輝度ゲイン g(残差 I(W)-g·T)を追加最適化。明るさ差/ノイズに頑健。 lam0, tol : 初期減衰係数 / 収束閾値(ステップノルム・相対コスト減)。
返り値(dict): pos : 精緻化テンプレ中心 [z,y,x] (連続座標) scale : 等方スケール(scale=False なら 1.0) gain : 輝度ゲイン(gain=False なら 1.0) cost : 最終 SSD、rms: 1voxel あたり残差 RMS、iters: 実行反復数
py -3.11 examples_3d/refinement.pytable を入力に取れる)fuse_to_voxel · mesh_select_lod
refine)refine_peak_newton · refine_translation_lk · refine_rotation_z · icp_point2point_3d · icp_point2plane
Provenance: match3d.py — 3D operator registry. この per-op ノートは tools/opdocs.py md が自動生成(手編集しない)。
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.