論文の概要: Towards Zero-Shot Point Cloud Registration Across Diverse Scales, Scenes, and Sensor Setups

• arxiv url: http://arxiv.org/abs/2601.02759v1
• Date: Tue, 06 Jan 2026 06:51:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.835312
• Title: Towards Zero-Shot Point Cloud Registration Across Diverse Scales, Scenes, and Sensor Setups
• Title（参考訳）: 各種スケール,シーン,センサセットアップにおけるゼロショットポイントクラウド登録に向けて
• Authors: Hyungtae Lim, Minkyun Seo, Luca Carlone, Jaesik Park,
• Abstract要約: ゼロショット一般化を実現するトレーニングフリー登録フレームワークであるBUFFER-Xを提案する。 提案手法は階層型マルチスケールマッチングを用いて,局所,中,大域の受容領域にまたがる対応を抽出する。 効率クリティカルなアプリケーションでは、BUFFER-X-Liteを導入し、総時間を43%削減する。
• 参考スコア（独自算出の注目度）: 41.033896572767496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Some deep learning-based point cloud registration methods struggle with zero-shot generalization, often requiring dataset-specific hyperparameter tuning or retraining for new environments. We identify three critical limitations: (a) fixed user-defined parameters (e.g., voxel size, search radius) that fail to generalize across varying scales, (b) learned keypoint detectors exhibit poor cross-domain transferability, and (c) absolute coordinates amplify scale mismatches between datasets. To address these three issues, we present BUFFER-X, a training-free registration framework that achieves zero-shot generalization through: (a) geometric bootstrapping for automatic hyperparameter estimation, (b) distribution-aware farthest point sampling to replace learned detectors, and (c) patch-level coordinate normalization to ensure scale consistency. Our approach employs hierarchical multi-scale matching to extract correspondences across local, middle, and global receptive fields, enabling robust registration in diverse environments. For efficiency-critical applications, we introduce BUFFER-X-Lite, which reduces total computation time by 43% (relative to BUFFER-X) through early exit strategies and fast pose solvers while preserving accuracy. We evaluate on a comprehensive benchmark comprising 12 datasets spanning object-scale, indoor, and outdoor scenes, including cross-sensor registration between heterogeneous LiDAR configurations. Results demonstrate that our approach generalizes effectively without manual tuning or prior knowledge of test domains. Code: https://github.com/MIT-SPARK/BUFFER-X.
• Abstract（参考訳）: ディープラーニングベースのポイントクラウド登録手法では、ゼロショットの一般化に苦慮し、しばしばデータセット固有のハイパーパラメータチューニングや新しい環境の再トレーニングが必要になる。 私たちは3つの限界を特定します。 (a) 様々なスケールで一般化できない固定されたユーザ定義パラメータ(例えば、ボクセルサイズ、探索半径) (b)学習キーポイント検出器は、ドメイン間転送性が悪いこと、及び (c)絶対座標はデータセット間のスケールミスマッチを増幅する。 これら3つの問題に対処するため、トレーニング不要な登録フレームワークであるBUFFER-Xを紹介します。 (a)自動ハイパーパラメータ推定のための幾何学的ブートストラップ (b)学習検出器を代替する分布対応遠点サンプリング及び (c) スケールの整合性を確保するためのパッチレベルの座標正規化。 提案手法は階層的マルチスケールマッチングを用いて,地域,中,グローバルな受容領域にまたがる対応関係を抽出し,多様な環境における堅牢な登録を可能にする。 効率クリティカルなアプリケーションでは, BUFFER-X-Liteを導入し, 計算時間を43%削減する(BUFFER-Xと比較して)。 我々は、異種LiDAR構成間のクロスセンサー登録を含む、オブジェクトスケール、屋内、屋外のシーンにまたがる12のデータセットからなる総合的なベンチマークを評価する。 その結果,本手法は手動チューニングやテスト領域の事前知識を使わずに効果的に一般化できることを示した。 コード:https://github.com/MIT-SPARK/BUFFER-X。

関連論文リスト

• Exploring Efficient Open-Vocabulary Segmentation in the Remote Sensing [55.291219073365546]
  Open-Vocabulary Remote Sensing Image (OVRSIS)は、OVS(Open-Vocabulary)をリモートセンシング(RS)ドメインに適応させる新しいタスクである。 textbfRSKT-Segは、リモートセンシングに適した新しいオープン語彙セグメンテーションフレームワークである。 RSKT-Segは高いOVSベースラインを+3.8 mIoUと+5.9 mACCで上回り、効率的なアグリゲーションによって2倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-09-15T15:24:49Z)
• BUFFER-X: Towards Zero-Shot Point Cloud Registration in Diverse Scenes [34.71850178233064]
  一般化を制限する重要な要因は、環境固有のボクセルサイズと探索半径に依存すること、学習ベースのキーポイント検出器のドメイン外ロバスト性に乏しいこと、および生の座標の使用である。 我々は、ボクセルサイズ/探索半径を適応的に決定し、最遠点サンプリングを用いて学習検出器をバイパスし、(c)一貫した座標境界に対するパッチワイドスケール正規化を利用する、BUFFER-Xと呼ばれるゼロショット登録パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-03-11T00:40:45Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using Local-Global Features [18.32982981001087]
  我々は、PointCoreと呼ばれる、共同でローカル・グローバルな特徴に基づく、教師なしのポイントクラウド異常検出フレームワークを提案する。 具体的に言うと、PointCoreはローカル(コーディネート)とグローバル(PointMAE)表現を保存するために、単一のメモリバンクしか必要としない。 Real3D-ADデータセットの実験では、PointCoreは検出とローカライゼーションの両方において、競合する推論時間と最高のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-03-04T07:51:46Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)
• Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
  本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。 我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。 実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
  論文  参考訳（メタデータ） (2020-03-23T10:51:32Z)

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。