論文の概要: PKSS-Align: Robust Point Cloud Registration on Pre-Kendall Shape Space

• arxiv url: http://arxiv.org/abs/2508.04286v1
• Date: Wed, 06 Aug 2025 10:17:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.676814
• Title: PKSS-Align: Robust Point Cloud Registration on Pre-Kendall Shape Space
• Title（参考訳）: PKSS-Align: プリケンドル形状空間上のロバストポイントクラウド登録
• Authors: Chenlei Lv, Hui Huang,
• Abstract要約: 提案手法では,PKSS,テキストカラーブラックは形状測定に基づく手法であり,点間距離や点間距離を必要としない。 単純な並列加速度に基づいて、実際は効率と実現可能性を大幅に向上させることができる。
• 参考スコア（独自算出の注目度）: 15.151282762403305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud registration is a classical topic in the field of 3D Vision and Computer Graphics. Generally, the implementation of registration is typically sensitive to similarity transformations (translation, scaling, and rotation), noisy points, and incomplete geometric structures. Especially, the non-uniform scales and defective parts of point clouds increase probability of struck local optima in registration task. In this paper, we propose a robust point cloud registration PKSS-Align that can handle various influences, including similarity transformations, non-uniform densities, random noisy points, and defective parts. The proposed method measures shape feature-based similarity between point clouds on the Pre-Kendall shape space (PKSS), \textcolor{black}{which is a shape measurement-based scheme and doesn't require point-to-point or point-to-plane metric.} The employed measurement can be regarded as the manifold metric that is robust to various representations in the Euclidean coordinate system. Benefited from the measurement, the transformation matrix can be directly generated for point clouds with mentioned influences at the same time. The proposed method does not require data training and complex feature encoding. Based on a simple parallel acceleration, it can achieve significant improvement for efficiency and feasibility in practice. Experiments demonstrate that our method outperforms the relevant state-of-the-art methods.
• Abstract（参考訳）: ポイントクラウド登録は、3Dビジョンとコンピュータグラフィックスの分野における古典的なトピックである。 一般に、登録の実装は、典型的には類似性変換(翻訳、スケーリング、回転)、雑音点、不完全幾何構造に敏感である。 特に、点雲の非均一スケールと欠陥部分は、登録タスクにおける局所最適点の衝突確率を増大させる。 本稿では, 類似性変換, 非一様密度, ランダムノイズ点, 欠陥部分など, 様々な影響を扱えるロバストポイントクラウド登録PKSS-Alignを提案する。 提案手法は,PKSS (Pre-Kendall shape space) 上の点雲間の特徴ベースの類似性を計測する。 ユークリッド座標系における様々な表現に頑健な多様体計量とみなすことができる。 この測定から得られる変換行列は、前述の影響を同時に与えた点雲に対して直接生成することができる。 提案手法は,データトレーニングや複雑な特徴符号化を必要としない。 単純な並列加速度に基づいて、実際は効率と実現可能性を大幅に向上させることができる。 実験により,本手法は最先端の手法よりも優れていることが示された。

関連論文リスト

• A Moment Matching-Based Method for Sparse and Noisy Point Cloud Registration [8.121132773789652]
  モーメントマッチングに基づく登録フレームワークを提案する。 合成および実世界のデータセットの実験により、我々の手法は既存の手法よりも精度と堅牢性を達成することが示された。 提案手法はローカライズ性能を大幅に向上し,LiDARシステムに匹敵する結果が得られる。
  論文  参考訳（メタデータ） (2025-08-04T08:31:53Z)
• Rectified Point Flow: Generic Point Cloud Pose Estimation [25.666110213663828]
  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。
  論文  参考訳（メタデータ） (2025-06-05T17:36:03Z)
• 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)
• A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
  我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。 CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。 スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
  論文  参考訳（メタデータ） (2024-10-14T08:48:25Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• IDEA-Net: Dynamic 3D Point Cloud Interpolation via Deep Embedding Alignment [58.8330387551499]
  我々は、点方向軌跡(すなわち滑らかな曲線)の推定として問題を定式化する。 本稿では,学習した時間的一貫性の助けを借りて問題を解消する,エンドツーエンドのディープラーニングフレームワークであるIDEA-Netを提案する。 各種点群における本手法の有効性を実証し, 定量的かつ視覚的に, 最先端の手法に対する大幅な改善を観察する。
  論文  参考訳（メタデータ） (2022-03-22T10:14:08Z)
• UPDesc: Unsupervised Point Descriptor Learning for Robust Registration [54.95201961399334]
  UPDescは、ロバストポイントクラウド登録のためのポイント記述子を学習するための教師なしの方法である。 学習した記述子は既存の教師なし手法よりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-08-05T17:11:08Z)
• SCTN: Sparse Convolution-Transformer Network for Scene Flow Estimation [71.2856098776959]
  点雲は非秩序であり、その密度は著しく一様ではないため、点雲の3次元運動の推定は困難である。 本稿では,sparse convolution-transformer network (sctn) という新しいアーキテクチャを提案する。 学習した関係に基づく文脈情報が豊富で,対応点の一致に役立ち,シーンフローの推定に有効であることを示す。
  論文  参考訳（メタデータ） (2021-05-10T15:16:14Z)
• LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point Cloud Registration [1.8876415010297891]
  剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。 本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。 CPDの現代の実装よりもはるかに高速です。
  論文  参考訳（メタデータ） (2021-03-28T03:46:41Z)
• Robust Kernel-based Feature Representation for 3D Point Cloud Analysis via Circular Graph Convolutional Network [2.42919716430661]
  本稿では,回転,密度,スケール変動に堅牢な新しい局所特徴記述法を提案する。 局所記述子の表現を改善するために,グローバルアグリゲーション手法を提案する。 本手法は最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-22T18:02:57Z)

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。