論文の概要: Iterative Differential Entropy Minimization (IDEM) method for fine rigid pairwise 3D Point Cloud Registration: A Focus on the Metric

• arxiv url: http://arxiv.org/abs/2601.09601v1
• Date: Wed, 14 Jan 2026 16:16:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.466026
• Title: Iterative Differential Entropy Minimization (IDEM) method for fine rigid pairwise 3D Point Cloud Registration: A Focus on the Metric
• Title（参考訳）: 厳密な対角3次元点群登録のための反復微分エントロピー最小化(IDEM)法:計量に着目して
• Authors: Emmanuele Barberi, Felice Sfravara, Filippo Cucinotta,
• Abstract要約: 著者らは、厳密な対角3次元点雲登録のための新しい微分エントロピーに基づく計量を導入した。 提案手法は密度差, ノイズ, ホール, 部分重なりがあっても有効であり, RMSEが常に最適にアライメントするとは限らない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud registration is a central theme in computer vision, with alignment algorithms continuously improving for greater robustness. Commonly used methods evaluate Euclidean distances between point clouds and minimize an objective function, such as Root Mean Square Error (RMSE). However, these approaches are most effective when the point clouds are well-prealigned and issues such as differences in density, noise, holes, and limited overlap can compromise the results. Traditional methods, such as Iterative Closest Point (ICP), require choosing one point cloud as fixed, since Euclidean distances lack commutativity. When only one point cloud has issues, adjustments can be made, but in real scenarios, both point clouds may be affected, often necessitating preprocessing. The authors introduce a novel differential entropy-based metric, designed to serve as the objective function within an optimization framework for fine rigid pairwise 3D point cloud registration, denoted as Iterative Differential Entropy Minimization (IDEM). This metric does not depend on the choice of a fixed point cloud and, during transformations, reveals a clear minimum corresponding to the best alignment. Multiple case studies are conducted, and the results are compared with those obtained using RMSE, Chamfer distance, and Hausdorff distance. The proposed metric proves effective even with density differences, noise, holes, and partial overlap, where RMSE does not always yield optimal alignment.
• Abstract（参考訳）: ポイントクラウド登録はコンピュータビジョンにおける中心的なテーマであり、アライメントアルゴリズムはより堅牢性を高めるために継続的に改善されている。 一般的に用いられる方法は、点雲間のユークリッド距離を評価し、Root Mean Square Error (RMSE)のような目的関数を最小化する。 しかし、これらのアプローチは、点雲が十分に整列している場合に最も効果的であり、密度、ノイズ、穴、重複の制限といった問題によって結果が損なわれる可能性がある。 反復閉点 (ICP) のような伝統的な手法では、ユークリッド距離は可換性を持たないため、1点の雲を固定として選択する必要がある。 1つのポイントのクラウドに問題がある場合、調整が可能であるが、実際のシナリオでは、両方のポイントのクラウドが影響を受ける可能性がある。 著者らは,厳密な対角3次元クラウド登録のための最適化フレームワーク内で,目的関数として機能するように設計された新しい微分エントロピーに基づく計量を,反復微分エントロピー最小化(IDEM)として導入した。 この計量は固定点雲の選択に依存しず、変換の間、最良のアライメントに対応する明らかな最小値を明らかにする。 複数のケーススタディを行い, RMSE, Chamfer 距離, Hausdorff 距離を用いた結果と比較した。 提案手法は密度差, ノイズ, ホール, 部分重なりがあっても有効であり, RMSEが常に最適にアライメントするとは限らない。

関連論文リスト

• 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)
• Efficient Point Clouds Upsampling via Flow Matching [16.948354780275388]
  既存の拡散モデルは、ガウスノイズを実点雲にマップするときに非効率で苦労する。 本研究では,スパース点雲を高忠実度密度の雲に直接マッピングする流れマッチング手法PUFMを提案する。 本手法はより優れたアップサンプリング品質を提供するが,サンプリングステップは少ない。
  論文  参考訳（メタデータ） (2025-01-25T17:50:53Z)
• A Consistency-Aware Spot-Guided Transformer for Versatile and Hierarchical Point Cloud Registration [9.609585217048664]
  我々は整合性を考慮したスポット誘導変換器(CAST)を開発した。 CASTは、無関係な領域への干渉を避けるために、スポット誘導のクロスアテンションモジュールを組み込んでいる。 スパースキーポイントと高密度特徴の両方のための軽量な微細マッチングモジュールは、変換を正確に推定することができる。
  論文  参考訳（メタデータ） (2024-10-14T08:48:25Z)
• BiEquiFormer: Bi-Equivariant Representations for Global Point Cloud Registration [28.75341781515012]
  本研究の目的は,グローバルポイントクラウド登録(PCR)の問題,すなわち,ポイントクラウド間の最適なアライメントを見つけることにある。 本研究では,現在最先端のディープラーニング手法が,任意の点の雲を空間に配置した場合に,大きな性能劣化に悩まされていることを示す。
  論文  参考訳（メタデータ） (2024-07-11T17:58:10Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid 3D Registration [77.13381026159111]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• Unleash the Potential of 3D Point Cloud Modeling with A Calibrated Local Geometry-driven Distance Metric [62.365983810610985]
  そこで我々は,Callibated Local Geometry Distance (CLGD) と呼ばれる新しい距離測定法を提案する。 CLGDは、基準点の集合によってキャリブレーションされ誘導される基礎となる3次元表面の差を計算する。 一般的な指標として、CLGDは3Dポイントのクラウドモデリングを前進させる可能性がある。
  論文  参考訳（メタデータ） (2023-06-01T11:16:20Z)
• Learning to Register Unbalanced Point Pairs [10.369750912567714]
  最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。 非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
  論文  参考訳（メタデータ） (2022-07-09T08:03:59Z)
• Shape-invariant 3D Adversarial Point Clouds [111.72163188681807]
  逆境と不可視性は、逆境の摂動の2つの基本的だが矛盾する性格である。 3Dポイントのクラウド認識に対する以前の敵対的攻撃は、しばしば目立ったポイントアウトリーチによって批判された。 本稿では,点摂動の効率性と非受容性を両立させる新しい点-クラウド感度マップを提案する。
  論文  参考訳（メタデータ） (2022-03-08T12:21:35Z)

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。