論文の概要: LAHNet: Local Attentive Hashing Network for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2512.00927v1
• Date: Sun, 30 Nov 2025 15:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.503257
• Title: LAHNet: Local Attentive Hashing Network for Point Cloud Registration
• Title（参考訳）: LAHNet: ポイントクラウド登録のためのローカル注意型ハッシュネットワーク
• Authors: Wentao Qu, Xiaoshui Huang, Liang Xiao,
• Abstract要約: LAHNetと呼ばれるポイントクラウド登録のためのローカル注意ハッシングネットワークを提案する。 グループトランスフォーマーは、ポイント間の合理的な長距離コンテキストをキャプチャする。 クロスウィンドウ戦略は、合理的な特徴受容分野をさらに拡大するために採用されている。
• 参考スコア（独自算出の注目度）: 22.384837640779335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing learning-based point cloud descriptors for point cloud registration focus on perceiving local information of point clouds to generate distinctive features. However, a reasonable and broader receptive field is essential for enhancing feature distinctiveness. In this paper, we propose a Local Attentive Hashing Network for point cloud registration, called LAHNet, which introduces a local attention mechanism with the inductive bias of locality of convolution-like operators into point cloud descriptors. Specifically, a Group Transformer is designed to capture reasonable long-range context between points. This employs a linear neighborhood search strategy, Locality-Sensitive Hashing, enabling uniformly partitioning point clouds into non-overlapping windows. Meanwhile, an efficient cross-window strategy is adopted to further expand the reasonable feature receptive field. Furthermore, building on this effective windowing strategy, we propose an Interaction Transformer to enhance the feature interactions of the overlap regions within point cloud pairs. This computes an overlap matrix to match overlap regions between point cloud pairs by representing each window as a global signal. Extensive results demonstrate that LAHNet can learn robust and distinctive features, achieving significant registration results on real-world indoor and outdoor benchmarks.
• Abstract（参考訳）: ポイントクラウド登録のための既存の学習ベースのポイントクラウド記述子は、ポイントクラウドのローカル情報を認識して特徴的な機能を生成することに重点を置いている。 しかし、特徴の識別性を高めるためには、合理的で広い受容領域が不可欠である。 本稿では,LAHNet と呼ばれる点クラウド登録のための局所注意ハッシングネットワークを提案し,点クラウド記述子への畳み込み型演算子の局所性による帰納バイアスを伴う局所注意機構を提案する。 具体的には、グループ変換器は、ポイント間の適切な長距離コンテキストをキャプチャするために設計されている。 これは線形近傍探索戦略であるLocality-Sensitive Hashingを採用しており、点雲を非重なり窓に均一に分割することができる。 一方、合理的な特徴受容分野をさらに拡大するために、効率的なクロスウィンドウ戦略が採用されている。 さらに、この効果的なウィンドウリング戦略に基づいて、点雲対内の重なり合う領域の特徴的相互作用を強化する対話変換器を提案する。 これにより、重なり行列を計算し、各ウィンドウをグローバル信号として表現することで、点雲対間の重なり合う領域を一致させる。 LAHNetは、実世界の屋内および屋外のベンチマークでかなりの登録結果を達成し、堅牢で独特な特徴を学習できることを示した。

関連論文リスト

• PVINet: Point-Voxel Interlaced Network for Point Cloud Compression [83.74785652597248]
  ポイントクラウド圧縮では、再構成されたポイントクラウドの品質は、グローバル構造とローカルコンテキストの両方に依存している。 本稿では,グローバルな構造的特徴と局所的なコンテキスト的特徴を並列にキャプチャするPVINetを提案する。 PVINetは最先端の手法に比べて競争力がある。
  論文  参考訳（メタデータ） (2025-09-01T03:37:32Z)
• SWCF-Net: Similarity-weighted Convolution and Local-global Fusion for Efficient Large-scale Point Cloud Semantic Segmentation [10.328077317786342]
  SWCF-Net という名前の類似度重み付き畳み込みとローカル・グローバル・フュージョン・ネットワークを提案する。 提案手法は計算コストを削減し,大規模点群を効率的に処理できる。
  論文  参考訳（メタデータ） (2024-06-17T11:54:46Z)
• Pose-Graph Attentional Graph Neural Network for Lidar Place Recognition [16.391871270609055]
  本稿では,P-GATと呼ばれるポーズグラフ注目グラフニューラルネットワークを提案する。 位置認識タスクのシーケンシャルと非シーケンシャルなサブグラフのキーノードを比較する。 P-GATは、近隣の雲記述子間の最大空間情報と時間情報を使用する。
  論文  参考訳（メタデータ） (2023-08-31T23:17:44Z)
• Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
  本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。 その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
  論文  参考訳（メタデータ） (2023-06-02T03:48:45Z)
• Adaptive Edge-to-Edge Interaction Learning for Point Cloud Analysis [118.30840667784206]
  ポイントクラウドデータ処理の大きな問題は、ローカルリージョンから有用な情報を抽出することだ。 従来の研究は、局所的な形状情報を符号化する地域におけるエッジ間の関係を無視していた。 本稿では,Adaptive Edge-to-Edge Interaction Learningモジュールを提案する。
  論文  参考訳（メタデータ） (2022-11-20T07:10:14Z)
• Multi-scale Receptive Fields Graph Attention Network for Point Cloud Classification [35.88116404702807]
  MRFGATアーキテクチャはModelNet10とModelNet40データセットでテストされている。 その結果,形状分類作業における最先端性能が得られた。
  論文  参考訳（メタデータ） (2020-09-28T13:01:28Z)
• SoftPoolNet: Shape Descriptor for Point Cloud Completion and Classification [93.54286830844134]
  本稿では,点雲に基づく3次元オブジェクトの補完と分類手法を提案する。 デコーダの段階では,グローバルな活性化エントロピーの最大化を目的とした新しい演算子である地域畳み込みを提案する。 我々は,オブジェクトの完成度や分類,最先端の精度の達成など,異なる3次元タスクに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2020-08-17T14:32:35Z)
• Self-Sampling for Neural Point Cloud Consolidation [83.31236364265403]
  本稿では,入力点クラウドのみから学習するニューラルポイントクラウドの統合技術を紹介する。 入力ポイントクラウドを、ディープニューラルネットワークのトレーニングに使用するグローバルサブセットで、繰り返し自己サンプルします。 様々な形状から点集合を集約する能力を示すとともに,出力器やノイズを除去する能力を示す。
  論文  参考訳（メタデータ） (2020-08-14T17:16:02Z)
• Dense-Resolution Network for Point Cloud Classification and Segmentation [42.316932316581635]
  DRNetは、異なる解像度でポイントクラウドからローカルポイント機能を学ぶように設計されている。 広く使われているポイントクラウドセグメンテーションと分類ベンチマークでネットワークを検証することに加えて、コンポーネントのパフォーマンスをテストし視覚化する。
  論文  参考訳（メタデータ） (2020-05-14T06:13:53Z)
• SK-Net: Deep Learning on Point Cloud via End-to-end Discovery of Spatial Keypoints [7.223394571022494]
  本稿では,空間キーポイントの推論と点雲の特徴表現の学習を協調的に最適化する,エンドツーエンドのフレームワークであるSK-Netを提案する。 提案手法は,ポイントクラウドタスクにおける最先端手法に匹敵する性能を示した。
  論文  参考訳（メタデータ） (2020-03-31T08:15:40Z)

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。