論文の概要: Fast, Robust, Permutation-and-Sign Invariant SO(3) Pattern Alignment
- arxiv url: http://arxiv.org/abs/2512.00659v1
- Date: Sat, 29 Nov 2025 22:54:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-02 19:46:34.347219
- Title: Fast, Robust, Permutation-and-Sign Invariant SO(3) Pattern Alignment
- Title（参考訳）: 高速・ロバスト・置換・符号不変SO(3)パターンアライメント
- Authors: Anik Sarker, Alan T. Asbeck,
- Abstract要約: 2つの回転集合の対応のないアライメントに対処する(SO(3))
我々のキーとなる考え方は、各回転を(S2)上の3つの単位ベクトル(TBV)に分解し、高速でロバストな整合器を用いて各軸毎の球点集合を整列させることである。
- 参考スコア（独自算出の注目度）: 0.2578242050187029
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We address the correspondence-free alignment of two rotation sets on \(SO(3)\), a core task in calibration and registration that is often impeded by missing time alignment, outliers, and unknown axis conventions. Our key idea is to decompose each rotation into its \emph{Transformed Basis Vectors} (TBVs)-three unit vectors on \(S^2\)-and align the resulting spherical point sets per axis using fast, robust matchers (SPMC, FRS, and a hybrid). To handle axis relabels and sign flips, we introduce a \emph{Permutation-and-Sign Invariant} (PASI) wrapper that enumerates the 24 proper signed permutations, scores them via summed correlations, and fuses the per-axis estimates into a single rotation by projection/Karcher mean. The overall complexity remains linear in the number of rotations (\(\mathcal{O}(n)\)), contrasting with \(\mathcal{O}(N_r^3\log N_r)\) for spherical/\(SO(3)\) correlation. Experiments on EuRoC Machine Hall simulations (axis-consistent) and the ETH Hand-Eye benchmark (\texttt{robot\_arm\_real}) (axis-ambiguous) show that our methods are accurate, 6-60x faster than traditional methods, and robust under extreme outlier ratios (up to 90\%), all without correspondence search.
- Abstract（参考訳）: キャリブレーションと登録のコアタスクである \(SO(3)\) 上の2つの回転集合の対応のないアライメントは、しばしば時間アライメントの欠如、外れ値、未知軸規則によって妨げられる。
我々のキーとなる考え方は、各回転を \(S^2\) 上の 3 個の単位ベクトルに分解し、高速でロバストなマーカ (SPMC, FRS, ハイブリッド) を用いて、1軸あたりの球点集合を整列させることである。
軸のリラベルと符号のフリップを扱うために、24個の適切な符号付き置換を列挙し、総和相関を用いてそれらをスコアし、予測推定値を射影/カーチャー平均で単一の回転に融合する \emph{Permutation-and-Sign Invariant} (PASI)ラッパーを導入する。
全体の複雑性は回転数 (\(\mathcal{O}(n)\) において線型であり、球面/(SO(3)\)相関では \(\mathcal{O}(N_r^3\log N_r)\) と対比される。
EuRoC Machine Hall シミュレーション(軸-一貫性)と ETH Hand-Eye ベンチマーク(軸-曖昧)の実験により、我々の手法は正確であり、従来の手法より6-60倍高速で、極端な外周比(最大90%)で頑健であることが示された。
関連論文リスト
- Robust Point Cloud Registration via Geometric Overlapping Guided Rotation Search [23.51667667895256]
対応に基づくポイントクラウドの登録は、ノイズ閾値内で制約されたインリアーの数を最大化する厳密な変換を計算する。
本稿では,回転のみのBnB探索による最大重複登録方式を提案する。
論文 参考訳（メタデータ） (2025-08-24T16:01:31Z) - Correspondence-Free Fast and Robust Spherical Point Pattern Registration [0.8287206589886879]
本稿では,2つの球面パターン間を推定するための3つの新しいアルゴリズムを提案する。
我々のアルゴリズムは10倍高速で、10倍精度が高い。
論文 参考訳（メタデータ） (2025-08-04T12:21:05Z) - A Novel Normalized-Cut Solver with Nearest Neighbor Hierarchical
Initialization [107.07093621337084]
正規化カット(N-Cut)は、スペクトルクラスタリングの有名なモデルである。
1)正規化ラプラシア行列の連続スペクトル埋め込みを計算する; 2)$K$-meansまたはスペクトル回転による離散化。
有名な座標降下法に基づく新しいN-Cut解法を提案する。
論文 参考訳（メタデータ） (2023-11-26T07:11:58Z) - Rotation-Invariant Transformer for Point Cloud Matching [42.5714375149213]
我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。
本稿では,自己認識機構によって学習した,回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。
RoITrは、Inlier RatioとRegistration Recallの点で、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
論文 参考訳（メタデータ） (2023-03-14T20:55:27Z) - Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。
実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。
本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-07-13T02:44:05Z) - SE(3)-Equivariant Attention Networks for Shape Reconstruction in
Function Space [50.14426188851305]
本稿では,第1のSE(3)-equivariant coordinate-based networkを提案する。
入力を正規格子に整列させる従来の形状再構成法とは対照的に、不規則で無向な点雲を直接操作する。
提案手法は,従来のSO(3)-equivariant法,およびSO(3)-augmented dataで訓練された非equivariant法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T17:59:15Z) - Geometric Transformer for Fast and Robust Point Cloud Registration [53.10568889775553]
点雲登録のための正確な対応を抽出する問題について検討する。
最近のキーポイントフリー手法は、低オーバーラップシナリオでは難しい繰り返し可能なキーポイントの検出を回避している。
本稿では,ロバストなスーパーポイントマッチングのための幾何学的特徴を学習するための幾何学変換器を提案する。
論文 参考訳（メタデータ） (2022-02-14T13:26:09Z)
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。