論文の概要: Rectified Point Flow: Generic Point Cloud Pose Estimation
- arxiv url: http://arxiv.org/abs/2506.05282v1
- Date: Thu, 05 Jun 2025 17:36:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 21:53:49.85693
- Title: Rectified Point Flow: Generic Point Cloud Pose Estimation
- Title（参考訳）: 整形点流:ジェネリック・ポイント・クラウド・ポーズ推定
- Authors: Tao Sun, Liyuan Zhu, Shengyu Huang, Shuran Song, Iro Armeni,
- Abstract要約: 本稿では,一対の点雲登録と複数部分形状の組立を条件付き単一生成問題として定式化する統一パラメータ化であるRectified Point Flowを紹介する。
提案手法は,ノイズの多い点を目標位置へ移動させる連続点速度場を学習し,その部分のポーズを復元する。
- 参考スコア（独自算出の注目度）: 25.666110213663828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Rectified Point Flow, a unified parameterization that formulates pairwise point cloud registration and multi-part shape assembly as a single conditional generative problem. Given unposed point clouds, our method learns a continuous point-wise velocity field that transports noisy points toward their target positions, from which part poses are recovered. In contrast to prior work that regresses part-wise poses with ad-hoc symmetry handling, our method intrinsically learns assembly symmetries without symmetry labels. Together with a self-supervised encoder focused on overlapping points, our method achieves a new state-of-the-art performance on six benchmarks spanning pairwise registration and shape assembly. Notably, our unified formulation enables effective joint training on diverse datasets, facilitating the learning of shared geometric priors and consequently boosting accuracy. Project page: https://rectified-pointflow.github.io/.
- Abstract（参考訳）: 本稿では,一対の点雲登録と複数部分形状の組立を条件付き単一生成問題として定式化する統一パラメータ化であるRectified Point Flowを紹介する。
提案手法は,不測点雲が与えられた場合,ノイズの多い点を目標位置へ移動させる連続点速度場を学習し,その部分のポーズを復元する。
アドホックな対称性処理で部分的なポーズを抑える以前の研究とは対照的に,本手法は対称性ラベルのない組立対称性を本質的に学習する。
重なり合う点に着目した自己教師型エンコーダと組み合わせて、ペアの登録と形状の組立にまたがる6つのベンチマーク上で、最先端のパフォーマンスを実現する。
統合された定式化により、多様なデータセットの効果的な共同訓練が可能となり、共有された幾何学的事前の学習が容易になり、その結果精度が向上する。
プロジェクトページ: https://rectified-pointflow.github.io/
関連論文リスト
- SymmCompletion: High-Fidelity and High-Consistency Point Cloud Completion with Symmetry Guidance [35.92382553956322]
対称性誘導に基づく高能率補完手法であるSymCompletionを導入する。
提案手法は,局所対称性変換ネットワーク (LSTNet) とSGFormer (Symmetry-Guidance Transformer) の2成分からなる。
論文 参考訳（メタデータ） (2025-03-23T09:45:37Z) - Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。
この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。
我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。
点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
論文 参考訳（メタデータ） (2025-02-12T10:44:36Z) - SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid Registration [76.40993825836222]
本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。
提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
論文 参考訳（メタデータ） (2024-05-30T15:55:04Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳（メタデータ） (2023-11-25T08:10:05Z) - Learning to Register Unbalanced Point Pairs [10.369750912567714]
最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。
非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
論文 参考訳（メタデータ） (2022-07-09T08:03:59Z) - Deep Confidence Guided Distance for 3D Partial Shape Registration [14.315501760755609]
部分的から部分的な3次元形状登録のための新しい非定型学習法を提案する。
本稿では,信頼誘導距離ネットワーク(CGD-net)を紹介し,点埋め込みと点雲間の空間距離との学習可能な類似性を融合させる。
論文 参考訳（メタデータ） (2022-01-27T08:40:05Z) - Multiway Non-rigid Point Cloud Registration via Learned Functional Map
Synchronization [105.14877281665011]
我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。
提案手法は,登録精度において最先端の性能を達成できることを実証する。
論文 参考訳（メタデータ） (2021-11-25T02:37:59Z) - Deep Hough Voting for Robust Global Registration [52.40611370293272]
6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。
提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2021-09-09T14:38:06Z) - Mapping in a cycle: Sinkhorn regularized unsupervised learning for point
cloud shapes [47.49826669394906]
点雲形状間の密接な対応を見つけるための教師なし学習フレームワークを提案する。
点クラウドデータから識別点的特徴を学習するために、シンクホーン正規化に基づく正規化項を定式化する。
そこで本研究では, 部分分割性能を向上させるために, 教師付き手法により, 学習ポイントワイドな特徴を活用できることを述べる。
論文 参考訳（メタデータ） (2020-07-19T05:21:33Z) - FKAConv: Feature-Kernel Alignment for Point Cloud Convolution [75.85619090748939]
多数の点畳み込み法を関連づけ解析するための定式化を提供する。
また、幾何学のないカーネル重み付けの推定を分離する独自の畳み込み変種も提案する。
分類とセマンティックセグメンテーションのベンチマークで競合する結果を示す。
論文 参考訳（メタデータ） (2020-04-09T10:12:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。