論文の概要: REVNET: Rotation-Equivariant Point Cloud Completion via Vector Neuron Anchor Transformer

• arxiv url: http://arxiv.org/abs/2601.08558v1
• Date: Tue, 13 Jan 2026 13:42:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.219655
• Title: REVNET: Rotation-Equivariant Point Cloud Completion via Vector Neuron Anchor Transformer
• Title（参考訳）: REVNET: ベクトルニューロンアンカー変換器による回転同変点クラウド補完
• Authors: Zhifan Ni, Eckehard Steinbach,
• Abstract要約: REVNETは任意の回転の下でロバストポイントクラウドを補完するための新しいフレームワークである。 本手法は,同変条件下での合成MVPデータセットの最先端手法より優れる。 ソースコードはGitHubでURLで公開される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incomplete point clouds captured by 3D sensors often result in the loss of both geometric and semantic information. Most existing point cloud completion methods are built on rotation-variant frameworks trained with data in canonical poses, limiting their applicability in real-world scenarios. While data augmentation with random rotations can partially mitigate this issue, it significantly increases the learning burden and still fails to guarantee robust performance under arbitrary poses. To address this challenge, we propose the Rotation-Equivariant Anchor Transformer (REVNET), a novel framework built upon the Vector Neuron (VN) network for robust point cloud completion under arbitrary rotations. To preserve local details, we represent partial point clouds as sets of equivariant anchors and design a VN Missing Anchor Transformer to predict the positions and features of missing anchors. Furthermore, we extend VN networks with a rotation-equivariant bias formulation and a ZCA-based layer normalization to improve feature expressiveness. Leveraging the flexible conversion between equivariant and invariant VN features, our model can generate point coordinates with greater stability. Experimental results show that our method outperforms state-of-the-art approaches on the synthetic MVP dataset in the equivariant setting. On the real-world KITTI dataset, REVNET delivers competitive results compared to non-equivariant networks, without requiring input pose alignment. The source code will be released on GitHub under URL: https://github.com/nizhf/REVNET.
• Abstract（参考訳）: 3Dセンサーが捉えた不完全点雲は、幾何学的情報と意味的情報の両方を失う。 ほとんどの既存のポイントクラウドコンプリートメソッドは、標準的なポーズでデータをトレーニングした回転変量フレームワークに基づいて構築されており、実際のシナリオで適用性を制限する。 ランダムな回転によるデータの増大は、この問題を部分的に軽減することができるが、学習負担を大幅に増加させ、それでも任意のポーズ下での堅牢なパフォーマンスを保証することができない。 この課題に対処するために、任意の回転下でのロバストな点雲補完のためのベクトルニューロン(VN)ネットワーク上に構築された新しいフレームワークである回転-等変アンカー変換器(REVNET)を提案する。 局所的な詳細を保存するため、部分点雲を同変アンカーの集合として表現し、欠アンカーの位置と特徴を予測するためにVNミスアンカー変換器を設計する。 さらに、回転同変バイアスの定式化とZCAベースの層正規化によりVNネットワークを拡張し、特徴表現性を向上させる。 等変VN特徴量と不変VN特徴量の間のフレキシブル変換を利用することで、より安定な点座標を生成できる。 実験結果から,同変条件下での合成MVPデータセットの最先端手法よりも優れた結果が得られた。 現実世界のKITTIデータセットでは、REVNETは入力ポーズアライメントを必要とせず、非等価ネットワークと比較して競合的な結果を提供する。 ソースコードはGitHubでURLで公開される。

関連論文リスト

• Surfel-based 3D Registration with Equivariant SE(3) Features [34.796697445601914]
  ポイントクラウドの登録は、リモートセンシングやデジタル遺産のための3D再構成において、複数のローカルポイントクラウドの3D整合性を確保するために不可欠である。 本稿では,これらの問題に対処するための新しいサーベイルベースのポーズ学習回帰手法を提案する。 本手法は,仮想視点カメラパラメータを用いてLidar点雲からサーベイルを初期化し,明示的な$mathbfSE(3)$等変特徴を学習する。
  論文  参考訳（メタデータ） (2025-08-28T13:53:44Z)
• 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)
• SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
  本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。 提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
  論文  参考訳（メタデータ） (2022-09-13T12:12:19Z)
• RIConv++: Effective Rotation Invariant Convolutions for 3D Point Clouds Deep Learning [32.18566879365623]
  3Dポイントクラウドのディープラーニングは、ニューラルネットワークがポイントクラウドの機能を直接学習することのできる、有望な研究分野である。 本稿では,局所領域から強力な回転不変特徴を設計することで特徴の区別を高める,シンプルで効果的な畳み込み演算子を提案する。 ネットワークアーキテクチャは、各畳み込み層の近傍サイズを単純に調整することで、ローカルとグローバルの両方のコンテキストをキャプチャできる。
  論文  参考訳（メタデータ） (2022-02-26T08:32:44Z)
• Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
  変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。 そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。 本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
  論文  参考訳（メタデータ） (2022-02-08T16:16:11Z)
• Training or Architecture? How to Incorporate Invariance in Neural Networks [14.162739081163444]
  本稿では,グループ行動に関して,ネットワークアーキテクチャを確実に不変化する手法を提案する。 簡単に言えば、実際のネットワークにデータを送る前に、可能なトランスフォーメーションを“無効化”するつもりです。 このような手法の特性を解析し、等変ネットワークに拡張し、その利点を頑健さと計算効率の両面からいくつかの数値例で示す。
  論文  参考訳（メタデータ） (2021-06-18T10:31:00Z)
• PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
  点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。 さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。 その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-02-24T06:44:09Z)
• A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
  ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。 また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。 本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
  論文  参考訳（メタデータ） (2020-03-16T14:04:45Z)

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。