論文の概要: Decision PCR: Decision version of the Point Cloud Registration task

• arxiv url: http://arxiv.org/abs/2507.14965v1
• Date: Sun, 20 Jul 2025 13:51:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.143554
• Title: Decision PCR: Decision version of the Point Cloud Registration task
• Title（参考訳）: 決定PCR: Point Cloud Registration タスクの決定バージョン
• Authors: Yaojie Zhang, Tianlun Huang, Weijun Wang, Wei Feng,
• Abstract要約: 低オーバーラップポイントのクラウド登録は、3Dビジョンにおいて依然として大きな課題である。 最大イリヤ数などの従来の評価指標は、非常に低いイリヤ比の下では効果がない。
• 参考スコア（独自算出の注目度）: 7.315456136190114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-overlap point cloud registration (PCR) remains a significant challenge in 3D vision. Traditional evaluation metrics, such as Maximum Inlier Count, become ineffective under extremely low inlier ratios. In this paper, we revisit the registration result evaluation problem and identify the Decision version of the PCR task as the fundamental problem. To address this Decision PCR task, we propose a data-driven approach. First, we construct a corresponding dataset based on the 3DMatch dataset. Then, a deep learning-based classifier is trained to reliably assess registration quality, overcoming the limitations of traditional metrics. To our knowledge, this is the first comprehensive study to address this task through a deep learning framework. We incorporate this classifier into standard PCR pipelines. When integrated with our approach, existing state-of-the-art PCR methods exhibit significantly enhanced registration performance. For example, combining our framework with GeoTransformer achieves a new SOTA registration recall of 86.97\% on the challenging 3DLoMatch benchmark. Our method also demonstrates strong generalization capabilities on the unseen outdoor ETH dataset.
• Abstract（参考訳）: 低オーバーラップポイントクラウド登録(PCR)は、3Dビジョンにおいて依然として大きな課題である。 最大イリヤ数などの従来の評価指標は、非常に低いイリヤ比の下では効果がない。 本稿では,登録結果評価問題を再検討し,PCRタスクの決定版を基本問題として同定する。 この決定PCR課題に対処するため,我々はデータ駆動型アプローチを提案する。 まず、3DMatchデータセットに基づいて対応するデータセットを構築する。 そして、深層学習に基づく分類器を訓練して、従来のメトリクスの限界を克服し、登録品質を確実に評価する。 私たちの知る限りでは、これはディープラーニングフレームワークを通じてこの課題に対処する最初の包括的な研究である。 この分類器を標準PCRパイプラインに組み込む。 本手法と統合した場合, 既存のPCR法では, 登録性能が著しく向上した。 例えば、我々のフレームワークとGeoTransformerを組み合わせることで、挑戦的な3DLoMatchベンチマークで86.97\%の新しいSOTA登録リコールが達成される。 提案手法は,未確認の屋外ETHデータセットに対して,強力な一般化能力を示す。

関連論文リスト

• Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
  マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。 提案手法は3DMatch と ETH のデータセットでよく機能する。
  論文  参考訳（メタデータ） (2024-10-29T08:36:23Z)
• Sight View Constraint for Robust Point Cloud Registration [13.216523566864641]
  部分的ポイントクラウド登録(部分的PCR)は、特に低い重複率を扱う場合、難しいタスクである。 本稿では、不正確な変換を確定的に識別する、新規で一般的な視線制約(SVC)を提案する。 挑戦的な3DLoMatchデータセットでは、登録リコールが78%から82%に増加し、最先端の結果が得られた。
  論文  参考訳（メタデータ） (2024-09-08T11:58:20Z)
• RAGEval: Scenario Specific RAG Evaluation Dataset Generation Framework [66.93260816493553]
  本稿では,様々なシナリオにまたがってRAGシステムを評価するためのフレームワークであるRAGvalを紹介する。 事実の正確性に焦点をあてて,完全性,幻覚,不適切性の3つの新しい指標を提案する。 実験結果から, RAGEvalは, 生成した試料の明瞭度, 安全性, 適合性, 豊かさにおいて, ゼロショット法とワンショット法より優れていた。
  論文  参考訳（メタデータ） (2024-08-02T13:35:11Z)
• ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
  前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。 このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。 本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-03T16:33:31Z)
• Deep Learning-Based Point Cloud Registration: A Comprehensive Survey and Taxonomy [79.66031973540946]
  深層学習に基づくポイントクラウド登録(DL-PCR)に関する総合的な調査と分類について述べる。 DL-PCR法では,登録手続きを含む重要な側面から議論を整理する。 我々はこれらを,ポイント・ツー・ポイント対応の明示的な識別を必要とするかどうかに応じて,対応ベースおよび対応不要なアプローチに分類する。
  論文  参考訳（メタデータ） (2024-04-22T02:05:15Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
  分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。 この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。 また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-10-12T17:58:59Z)
• ReAgent: Point Cloud Registration using Imitation and Reinforcement Learning [28.244027792644097]
  3Dコンピュータビジョンタスクのための新しいポイントクラウド登録エージェント(ReAgent)を紹介します。 我々は,定常的な専門家政策に基づいて,個別登録ポリシーを初期化するために模倣学習を用いる。 我々は,ModelNet40(合成)とScanObjectNN(実データ)の両方における古典的および学習的登録手法との比較を行い,ReAgentが最先端の精度を実現することを示す。
  論文  参考訳（メタデータ） (2021-03-28T22:04:42Z)
• Learning 3D-3D Correspondences for One-shot Partial-to-partial Registration [66.41922513553367]
  学習に基づく部分的対部分的な登録をワンショットで行うことができることを示す。 そこで本研究では,ビンの利用により閉塞点を考慮に入れた最適輸送層を提案する。 結果として得られるOPRNetフレームワークは、標準ベンチマークにおける最先端技術を上回っている。
  論文  参考訳（メタデータ） (2020-06-08T12:35:47Z)

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。