論文の概要: RARE: Refine Any Registration of Pairwise Point Clouds via Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2507.19950v1
• Date: Sat, 26 Jul 2025 13:34:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:56.479663
• Title: RARE: Refine Any Registration of Pairwise Point Clouds via Zero-Shot Learning
• Title（参考訳）: RARE: ゼロショット学習によるペアワイズポイントクラウドの登録を制限
• Authors: Chengyu Zheng, Jin Huang, Honghua Chen, Mingqiang Wei,
• Abstract要約: 近年,画像中の意味的対応を確立するために拡散特徴を用いることの可能性が実証されている。 そこで本研究では,ポイントクラウド登録アルゴリズムを改良するためのゼロショット手法を提案する。
• 参考スコア（独自算出の注目度）: 23.462795323028658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent research leveraging large-scale pretrained diffusion models has demonstrated the potential of using diffusion features to establish semantic correspondences in images. Inspired by advancements in diffusion-based techniques, we propose a novel zero-shot method for refining point cloud registration algorithms. Our approach leverages correspondences derived from depth images to enhance point feature representations, eliminating the need for a dedicated training dataset. Specifically, we first project the point cloud into depth maps from multiple perspectives and extract implicit knowledge from a pretrained diffusion network as depth diffusion features. These features are then integrated with geometric features obtained from existing methods to establish more accurate correspondences between point clouds. By leveraging these refined correspondences, our approach achieves significantly improved registration accuracy. Extensive experiments demonstrate that our method not only enhances the performance of existing point cloud registration techniques but also exhibits robust generalization capabilities across diverse datasets. Codes are available at https://github.com/zhengcy-lambo/RARE.git.
• Abstract（参考訳）: 大規模な事前学習拡散モデルを利用した最近の研究は、画像中の意味対応を確立するために拡散特徴を用いる可能性を実証している。 拡散型手法の進歩に触発されて, 点群登録アルゴリズムを改良するゼロショット法を提案する。 提案手法では,深度画像からの対応を利用して点特徴表現を強化し,専用トレーニングデータセットの必要性を解消する。 具体的には、まず複数の視点から点雲を深度マップに投影し、事前訓練された拡散ネットワークから暗黙の知識を深度拡散特性として抽出する。 これらの特徴は、点雲間のより正確な対応を確立するために、既存の手法から得られた幾何学的特徴と統合される。 これらの改良された対応を利用して,登録精度を大幅に向上する。 大規模な実験により,本手法は既存のポイントクラウド登録技術の性能を高めるだけでなく,多様なデータセットにまたがる堅牢な一般化能力を示すことが示された。 コードはhttps://github.com/zhengcy-lambo/RARE.gitで公開されている。

関連論文リスト

• Efficient Point Clouds Upsampling via Flow Matching [16.948354780275388]
  既存の拡散モデルは、ガウスノイズを実点雲にマップするときに非効率で苦労する。 本研究では,スパース点雲を高忠実度密度の雲に直接マッピングする流れマッチング手法PUFMを提案する。 本手法はより優れたアップサンプリング品質を提供するが,サンプリングステップは少ない。
  論文  参考訳（メタデータ） (2025-01-25T17:50:53Z)
• LPRnet: A self-supervised registration network for LiDAR and photogrammetric point clouds [38.42527849407057]
  LiDARとフォトグラムは、それぞれポイントクラウド取得のためのアクティブおよびパッシブリモートセンシング技術である。 感知機構、空間分布、座標系に根本的な違いがあるため、それらの点雲は密度、精度、ノイズ、重なり合いにおいて大きな違いを示す。 本稿では, マスク付きオートエンコーダをベースとした自己教師型登録ネットワークを提案し, 異種LiDARと光グラム点雲に着目した。
  論文  参考訳（メタデータ） (2025-01-10T02:36:37Z)
• DV-Matcher: Deformation-based Non-Rigid Point Cloud Matching Guided by Pre-trained Visual Features [1.3030624795284795]
  DV-Matcherは、非剛性変形点雲間の密接な対応を推定するための学習ベースのフレームワークである。 実験結果から,本手法は非剛性点雲をほぼ等尺形状と異質形状の両方で整合させることで,最先端の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2024-08-16T07:02:19Z)
• PointRegGPT: Boosting 3D Point Cloud Registration using Generative Point-Cloud Pairs for Training [90.06520673092702]
  生成点クラウドペアを用いた3Dポイントクラウドの登録をトレーニングのために促進するPointRegGPTを提案する。 我々の知る限り、これは屋内のクラウド登録のためのリアルなデータ生成を探求する最初の生成的アプローチである。
  論文  参考訳（メタデータ） (2024-07-19T06:29:57Z)
• ComPC: Completing a 3D Point Cloud with 2D Diffusion Priors [52.72867922938023]
  センサーを通して直接オブジェクトから収集される3Dポイント雲は、自己閉塞のため、しばしば不完全である。 トレーニングを必要とせずに、未確認のカテゴリにまたがる部分点雲を完結させるテストタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-10T08:02:17Z)
• Cross-Modal Information-Guided Network using Contrastive Learning for Point Cloud Registration [17.420425069785946]
  本稿では,ポイントクラウド登録のための新しいCross-Modal Information-Guided Network(CMIGNet)を提案する。 まず,点雲から投影された画像を取り込んで,アテンション機構を用いてモーダルな特徴を融合する。 コントラスト学習戦略は2つあり、すなわち、コントラスト学習とクロスモーダルコントラスト学習が重なり合う。
  論文  参考訳（メタデータ） (2023-11-02T12:56:47Z)
• FreeReg: Image-to-Point Cloud Registration Leveraging Pretrained Diffusion Models and Monocular Depth Estimators [37.39693977657165]
  イメージとポイントクラウド間のクロスモダリティ機能をマッチングすることは、イメージツーポイントクラウド登録の根本的な問題である。 まず,事前学習した大規模モデルを用いて,画像と点雲のモダリティを統一することを提案する。 画像から画像への拡散モデルから抽出した拡散特徴と呼ばれる中間的特徴が,画像と点雲の間で意味的に一致していることを示す。
  論文  参考訳（メタデータ） (2023-10-05T09:57:23Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Revisiting Point Cloud Simplification: A Learnable Feature Preserving Approach [57.67932970472768]
  MeshとPoint Cloudの単純化手法は、3Dモデルの複雑さを低減しつつ、視覚的品質と関連する健全な機能を維持することを目的としている。 そこで本研究では,正解点の標本化を学習し,高速点雲の簡易化手法を提案する。 提案手法は、入力空間から任意のユーザ定義の点数を選択し、視覚的知覚誤差を最小限に抑えるために、その位置を再配置するよう訓練されたグラフニューラルネットワークアーキテクチャに依存する。
  論文  参考訳（メタデータ） (2021-09-30T10:23:55Z)
• An Efficient Hypergraph Approach to Robust Point Cloud Resampling [57.49817398852218]
  ハイパーグラフ信号処理(hgsp)に基づくポイントクラウド再サンプリングの検討 点群の信号ノード間の多面的な相互作用を捕捉するハイパーグラフスペクトルフィルタを設計する。 実験の結果, 点雲のハイパーグラフ解析の有効性が検証された。
  論文  参考訳（メタデータ） (2021-03-11T23:19:54Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。