論文の概要: MCI-Net: A Robust Multi-Domain Context Integration Network for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2512.23472v1
• Date: Mon, 29 Dec 2025 13:55:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.522922
• Title: MCI-Net: A Robust Multi-Domain Context Integration Network for Point Cloud Registration
• Title（参考訳）: MCI-Net: ポイントクラウド登録のためのロバストなマルチドメインコンテキスト統合ネットワーク
• Authors: Shuyuan Lin, Wenwu Peng, Junjie Huang, Qiang Qi, Miaohui Wang, Jian Weng,
• Abstract要約: 特徴表現と登録性能を改善するマルチドメインコンテキスト統合ネットワーク(MCI-Net)を提案する。 具体的には,点群内の全体構造的関係を捉えるためにグローバルグラフを構築するグラフ近傍集約モジュールを提案する。 次に、特徴識別性を高めるためのプログレッシブコンテキスト相互作用モジュールを提案する。 屋内RGB-Dデータセットと屋外LiDARデータセットの実験により、提案したMCI-Netは既存の最先端手法よりも大幅に優れていることが示された。
• 参考スコア（独自算出の注目度）: 28.6535442193107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust and discriminative feature learning is critical for high-quality point cloud registration. However, existing deep learning-based methods typically rely on Euclidean neighborhood-based strategies for feature extraction, which struggle to effectively capture the implicit semantics and structural consistency in point clouds. To address these issues, we propose a multi-domain context integration network (MCI-Net) that improves feature representation and registration performance by aggregating contextual cues from diverse domains. Specifically, we propose a graph neighborhood aggregation module, which constructs a global graph to capture the overall structural relationships within point clouds. We then propose a progressive context interaction module to enhance feature discriminability by performing intra-domain feature decoupling and inter-domain context interaction. Finally, we design a dynamic inlier selection method that optimizes inlier weights using residual information from multiple iterations of pose estimation, thereby improving the accuracy and robustness of registration. Extensive experiments on indoor RGB-D and outdoor LiDAR datasets show that the proposed MCI-Net significantly outperforms existing state-of-the-art methods, achieving the highest registration recall of 96.4\% on 3DMatch. Source code is available at http://www.linshuyuan.com.
• Abstract（参考訳）: 高品質なクラウド登録には、ロバストで差別的な特徴学習が不可欠だ。 しかし、既存のディープラーニングベースの手法は、典型的にはユークリッド近傍をベースとした特徴抽出戦略に依存しており、ポイントクラウドにおける暗黙のセマンティクスと構造的一貫性を効果的に捉えるのに苦労している。 これらの課題に対処するために,多領域コンテキスト統合ネットワーク(MCI-Net)を提案する。 具体的には,点群内の全体構造的関係を捉えるためにグローバルグラフを構築するグラフ近傍集約モジュールを提案する。 そこで我々は,ドメイン内特徴分離とドメイン間コンテキスト相互作用を行うことにより,特徴識別性を高めるプログレッシブコンテキスト相互作用モジュールを提案する。 最後に,複数回のポーズ推定の残差情報を用いて不整合重みを最適化する動的不整合選択法を設計し,登録精度とロバスト性を向上する。 屋内RGB-Dデータセットと屋外LiDARデータセットの大規模な実験により、提案されたMCI-Netは既存の最先端手法を著しく上回り、3DMatchで96.4\%の登録リコールを達成した。 ソースコードはhttp://www.linshuyuan.comで入手できる。

関連論文リスト

• 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)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Multi-scale Network with Attentional Multi-resolution Fusion for Point Cloud Semantic Segmentation [2.964101313270572]
  ローカルおよびグローバルなマルチスケール情報を集約する総合的なポイントクラウドセマンティックセマンティックセマンティクスネットワークを提案する。 点の局所的な形状を効果的に学習するアングル相関点畳み込みモジュールを提案する。 第3に、2Dイメージビジョンタスクのパフォーマンスに優れたHRNetにインスパイアされた私たちは、ポイントクラウド用にカスタマイズされたHRNetを構築し、グローバルなマルチスケールコンテキストを学習します。
  論文  参考訳（メタデータ） (2022-06-27T21:03:33Z)
• Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency [38.93610732090426]
  本稿では,空間的整合性を明確に組み込んだ新しいディープニューラルネットワークであるPointDSCを提案する。 本手法は,いくつかの実世界のデータセットにおいて,最先端の手作りおよび学習に基づく異常者拒絶アプローチを上回っている。
  論文  参考訳（メタデータ） (2021-03-09T14:56:08Z)
• ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation [111.56730703473411]
  LiDARデータ上でディープニューラルネットワーク(DNN)をトレーニングするには、大規模なポイントワイドアノテーションが必要である。 シミュレーション・トゥ・リアル・ドメイン適応(SRDA)は、DNNを無制限の合成データと自動生成されたラベルで訓練する。 ePointDAは、自己教師付きドロップアウトノイズレンダリング、統計不変および空間適応型特徴アライメント、転送可能なセグメンテーション学習の3つのモジュールで構成されている。
  論文  参考訳（メタデータ） (2020-09-07T23:46:08Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。