論文の概要: iMatcher: Improve matching in point cloud registration via local-to-global geometric consistency learning

• arxiv url: http://arxiv.org/abs/2509.08982v1
• Date: Wed, 10 Sep 2025 20:25:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.139065
• Title: iMatcher: Improve matching in point cloud registration via local-to-global geometric consistency learning
• Title（参考訳）: iMatcher: 局所-言語的幾何整合学習による点クラウド登録の整合性向上
• Authors: Karim Slimani, Catherine Achard, Brahim Tamadazte,
• Abstract要約: iMatcherは、ポイントクラウド登録における機能マッチングのためのフレームワークである。 局所的および大域的整合性を用いて、ポイントワイドマッチング確率を予測する。 KITTIでは95%-97%、KITTI-360では94%-97%、3DMatchでは81.1%である。
• 参考スコア（独自算出の注目度）: 2.3985192761907643
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents iMatcher, a fully differentiable framework for feature matching in point cloud registration. The proposed method leverages learned features to predict a geometrically consistent confidence matrix, incorporating both local and global consistency. First, a local graph embedding module leads to an initialization of the score matrix. A subsequent repositioning step refines this matrix by considering bilateral source-to-target and target-to-source matching via nearest neighbor search in 3D space. The paired point features are then stacked together to be refined through global geometric consistency learning to predict a point-wise matching probability. Extensive experiments on real-world outdoor (KITTI, KITTI-360) and indoor (3DMatch) datasets, as well as on 6-DoF pose estimation (TUD-L) and partial-to-partial matching (MVP-RG), demonstrate that iMatcher significantly improves rigid registration performance. The method achieves state-of-the-art inlier ratios, scoring 95% - 97% on KITTI, 94% - 97% on KITTI-360, and up to 81.1% on 3DMatch, highlighting its robustness across diverse settings.
• Abstract（参考訳）: 本稿では、ポイントクラウド登録における特徴マッチングのための、完全に差別化可能なフレームワークであるiMatcherについて述べる。 提案手法は学習した特徴を活用し,局所的および大域的整合性を考慮した幾何的整合性行列の予測を行う。 まず、局所グラフ埋め込みモジュールはスコア行列の初期化につながる。 その後の再配置ステップでは、3次元空間における近接探索による双方向のソース・ツー・ターゲットとターゲット・ツー・ソースのマッチングを考慮し、この行列を洗練する。 ペア化された点特徴を積み重ねて、グローバルな幾何整合学習を通じて洗練し、ポイントワイズマッチング確率を予測する。 実世界の屋外(KITTI, KITTI-360)と屋内(3DMatch)データセット、および6-DoFポーズ推定(TUD-L)および部分対部分マッチング(MVP-RG)に関する大規模な実験により、iMatcherは剛性登録性能を大幅に改善することが示された。 KITTI-360では95%-97%、KITTI-360では94%-97%、3DMatchでは81.1%、様々な設定で頑丈さを強調している。

関連論文リスト

• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• LFM-3D: Learnable Feature Matching Across Wide Baselines Using 3D Signals [9.201550006194994]
  学習可能なマーカは、画像ペア間のコビジュアビリティの小さな領域だけが存在する場合、しばしば性能が低下する。 グラフニューラルネットワークに基づくモデルを用いた学習可能な特徴マッチングフレームワーク LFM-3D を提案する。 その結果,画像対の相対的ポーズ精度が向上し,画像対の相対的ポーズ精度が向上することがわかった。
  論文  参考訳（メタデータ） (2023-03-22T17:46:27Z)
• BoxGraph: Semantic Place Recognition and Pose Estimation from 3D LiDAR [22.553026961366005]
  意味的に特定されたコンポーネントの完全連結グラフとして、3Dポイントクラウドをモデル化する。 グラフ間の最適アソシエーションにより、完全な6自由度(DoF)のポーズ推定と位置認識が可能になる。 この表現は非常に簡潔で、最先端に対して25の因子で写像のサイズを縮める。
  論文  参考訳（メタデータ） (2022-06-30T09:39:08Z)
• REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
  我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。 本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。 提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T06:01:00Z)
• DFC: Deep Feature Consistency for Robust Point Cloud Registration [0.4724825031148411]
  複雑なアライメントシーンのための学習に基づくアライメントネットワークを提案する。 我々は,3DMatchデータセットとKITTIオドメトリデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2021-11-15T08:27:21Z)
• 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)
• 3D Correspondence Grouping with Compatibility Features [51.869670613445685]
  本稿では,3次元対応グルーピングのための簡易かつ効果的な手法を提案する。 目的は、局所幾何学的記述子を不整合と外接点にマッチングすることによって得られる初期対応を正確に分類することである。 本稿では,不整合と不整合を表わすために,互換性特徴(CF)と呼ばれる3次元対応の表現を提案する。
  論文  参考訳（メタデータ） (2020-07-21T02:39:48Z)
• Deep Global Registration [90.05565444450524]
  Deep Global Registrationは、現実世界の3Dスキャンをペアで登録するための、差別化可能なフレームワークである。 我々の手法は、学習ベースと古典的両方の最先端の手法を実世界のデータで上回ります。
  論文  参考訳（メタデータ） (2020-04-24T05:47:32Z)
• Learning multiview 3D point cloud registration [74.39499501822682]
  本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。 このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
  論文  参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。