論文の概要: ERNet: Efficient Non-Rigid Registration Network for Point Sequences

• arxiv url: http://arxiv.org/abs/2510.15800v1
• Date: Fri, 17 Oct 2025 16:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-20 20:17:34.712004
• Title: ERNet: Efficient Non-Rigid Registration Network for Point Sequences
• Title（参考訳）: ERNet:ポイントシーケンスのための効率的な非デジタル登録ネットワーク
• Authors: Guangzhao He, Yuxi Xiao, Zhen Xu, Xiaowei Zhou, Sida Peng,
• Abstract要約: 非剛性変形中の点雲列の登録にスケーラブルなデータ駆動方式を導入する。 一貫性のある登録を効果的に活用しながら、ノイズや部分的な入力を処理するように設計されている。
• 参考スコア（独自算出の注目度）: 39.21668224811387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Registering an object shape to a sequence of point clouds undergoing non-rigid deformation is a long-standing challenge. The key difficulties stem from two factors: (i) the presence of local minima due to the non-convexity of registration objectives, especially under noisy or partial inputs, which hinders accurate and robust deformation estimation, and (ii) error accumulation over long sequences, leading to tracking failures. To address these challenges, we introduce to adopt a scalable data-driven approach and propose ERNet, an efficient feed-forward model trained on large deformation datasets. It is designed to handle noisy and partial inputs while effectively leveraging temporal information for accurate and consistent sequential registration. The key to our design is predicting a sequence of deformation graphs through a two-stage pipeline, which first estimates frame-wise coarse graph nodes for robust initialization, before refining their trajectories over time in a sliding-window fashion. Extensive experiments show that our proposed approach (i) outperforms previous state-of-the-art on both the DeformingThings4D and D-FAUST datasets, and (ii) achieves more than 4x speedup compared to the previous best, offering significant efficiency improvement.
• Abstract（参考訳）: 非剛体変形中の点雲の列に物体の形状を登録することは長年の課題である。 主な困難は2つの要因から生じている。 一 登録対象の非凸性、特に正確かつ頑健な変形推定を妨げる雑音又は部分的な入力による局所的ミニマの存在 (ii) 長いシーケンスでエラーが蓄積され、障害が追跡される。 これらの課題に対処するために、スケーラブルなデータ駆動アプローチを導入し、大規模な変形データセットに基づいてトレーニングされた効率的なフィードフォワードモデルであるERNetを提案する。 ノイズや部分的な入力を処理し、時間的情報を正確で一貫したシーケンシャルな登録に効果的に活用するように設計されている。 設計の鍵となるのは、2段階のパイプラインで変形グラフの列を予測し、まずフレーム幅の粗いグラフノードを頑健な初期化のために推定し、その後、スライディングウインドウ方式で軌跡を時間をかけて修正する。 広汎な実験から提案したアプローチが示唆される i)DeformingThings4DデータセットとD-FAUSTデータセットの両方において、過去の最先端を上回ります。 (ii) 前回に比べて4倍以上の高速化を実現し, 大幅な効率向上を実現した。

関連論文リスト

• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• CUTS: Neural Causal Discovery from Irregular Time-Series Data [27.06531262632836]
  時系列データからの因果発見は、機械学習における中心的なタスクである。 本稿では,ニューラルグランガー因果探索アルゴリズムであるCUTSについて述べる。 提案手法は,非理想的な観測を行う実アプリケーションに因果発見を適用するための有望なステップとなる。
  論文  参考訳（メタデータ） (2023-02-15T04:16:34Z)
• Efficient Graph Neural Network Inference at Large Scale [54.89457550773165]
  グラフニューラルネットワーク(GNN)は、幅広いアプリケーションで優れた性能を示している。 既存のスケーラブルなGNNは、線形伝搬を利用して特徴を前処理し、トレーニングと推論の手順を高速化する。 本稿では,そのトポロジ情報に基づいて各ノードに対してパーソナライズされた伝搬順序を生成する適応的伝搬順序法を提案する。
  論文  参考訳（メタデータ） (2022-11-01T14:38:18Z)

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。