論文の概要: Register Any Point: Scaling 3D Point Cloud Registration by Flow Matching

• arxiv url: http://arxiv.org/abs/2512.01850v1
• Date: Mon, 01 Dec 2025 16:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.961011
• Title: Register Any Point: Scaling 3D Point Cloud Registration by Flow Matching
• Title（参考訳）: 任意のポイントを登録:フローマッチングによる3Dポイントクラウド登録のスケーリング
• Authors: Yue Pan, Tao Sun, Liyuan Zhu, Lucas Nunes, Iro Armeni, Jens Behley, Cyrill Stachniss,
• Abstract要約: ポイントクラウドの登録は、3D再構成とロボットのローカライゼーションのための中核的なステップである。 我々は条件生成として登録をキャストした: 学習された連続点速度場は、ノイズポイントを登録シーンに転送する。 提案手法は,ペアワイドおよびマルチビューの登録ベンチマークにおいて,最先端の結果を達成している。
• 参考スコア（独自算出の注目度）: 41.014082260379304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point cloud registration aligns multiple unposed point clouds into a common frame, and is a core step for 3D reconstruction and robot localization. In this work, we cast registration as conditional generation: a learned continuous, point-wise velocity field transports noisy points to a registered scene, from which the pose of each view is recovered. Unlike previous methods that conduct correspondence matching to estimate the transformation between a pair of point clouds and then optimize the pairwise transformations to realize multi-view registration, our model directly generates the registered point cloud. With a lightweight local feature extractor and test-time rigidity enforcement, our approach achieves state-of-the-art results on pairwise and multi-view registration benchmarks, particularly with low overlap, and generalizes across scales and sensor modalities. It further supports downstream tasks including relocalization, multi-robot SLAM, and multi-session map merging. Source code available at: https://github.com/PRBonn/RAP.
• Abstract（参考訳）: ポイントクラウドの登録は、複数の未設定のポイントクラウドを共通のフレームに整列させ、3D再構成とロボットのローカライゼーションのための中核的なステップである。 本研究では,各視点のポーズが復元される登録シーンに,学習された連続点速度場がノイズ点を輸送する条件生成として登録をキャストする。 一対の点雲間の変換を推定し、多視点登録を実現するためにペア変換を最適化する従来の手法とは異なり、我々のモデルは登録された点雲を直接生成する。 局所特徴抽出器の軽量化とテスト時剛性強化により,両面および複数面の登録ベンチマーク,特に重複度が低く,スケールやセンサの多角性にまたがる一般化を実現した。 さらに、再ローカライゼーション、マルチボットSLAM、マルチセッションマップのマージといった下流タスクもサポートする。 ソースコードは、https://github.com/PRBonn/RAP.comで公開されている。

関連論文リスト

• Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark [57.42211080221526]
  異なるセンサーからのポイントクラウドデータを整列することを目的とした、クロスソースのポイントクラウド登録は、3Dビジョンの基本的なタスクである。 ディープ登録モデルをトレーニングするための大規模な実世界のデータセットが公開されていないことや、複数のセンサーによってキャプチャされたポイントクラウド固有の違いが課題となっている。 現在世界最大のマルチモーダル・クロスソース・クラウド登録データセットであるCross3DRegを構築している。 クロスソース・ポイント・クラウド機能の整合性を高めるために,ビジュアル・ジオメトリ・アテンションガイド付きマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-08T09:01:13Z)
• 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)
• Incremental Multiview Point Cloud Registration [18.830104930321223]
  本研究では,スキャンを標準座標系に段階的に整列させるインクリメンタルパイプラインを提案する。 検出器フリーのマーカにはトラックリファインメントプロセスが組み込まれている。 実験により,提案フレームワークは3つのベンチマークデータセットにおいて,既存のマルチビュー登録手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-06T09:28:23Z)
• SG-PGM: Partial Graph Matching Network with Semantic Geometric Fusion for 3D Scene Graph Alignment and Its Downstream Tasks [14.548198408544032]
  我々は3次元シーングラフアライメントを部分的なグラフマッチング問題として扱い、グラフニューラルネットワークを用いてそれを解くことを提案する。 我々は、点雲登録法で学習した幾何学的特徴を再利用し、クラスタ化された点レベルの幾何学的特徴とノードレベルの意味的特徴を関連付ける。 本稿では,3次元シーングラフのノードワイドアライメントを用いて,事前学習した点雲登録手法からマッチング候補を再重み付けする点マッチング再構成手法を提案する。
  論文  参考訳（メタデータ） (2024-03-28T15:01:58Z)
• PosDiffNet: Positional Neural Diffusion for Point Cloud Registration in a Large Field of View with Perturbations [27.45001809414096]
  PosDiffNetは、3Dコンピュータビジョンにおけるポイントクラウド登録のモデルである。 ベルトラミフローに基づくグラフニューラル偏微分方程式(PDE)を用いて高次元特徴を求める。 我々は、点雲間のアライメントを容易にするために、高特徴類似度スコアから導かれる多レベル対応を用いる。 我々はPosDiffNetを複数の3Dポイントクラウドデータセット上で評価し、摂動を伴う広い視野でのポイントクラウド登録において、最先端(SOTA)性能を達成することを検証した。
  論文  参考訳（メタデータ） (2024-01-06T08:58:15Z)
• 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)
• Point Cloud Registration using Representative Overlapping Points [10.843159482657303]
  本稿では,登録のための識別機能を備えた代表オーバーラップポイントを用いた新しいディープラーニングモデル ROPNetを提案する。 具体的には,エンコーダを用いてポイントオーバーラップスコアの予測にグローバルな特徴を抽出するコンテキスト誘導モジュールを提案する。 ノイズと部分重なり合う点雲を用いたModelNet40上での実験により,提案手法が従来の学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-07-06T12:52:22Z)
• 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。