論文の概要: LitS: A novel Neighborhood Descriptor for Point Clouds

• arxiv url: http://arxiv.org/abs/2602.04838v1
• Date: Wed, 04 Feb 2026 18:31:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.682421
• Title: LitS: A novel Neighborhood Descriptor for Point Clouds
• Title（参考訳）: LitS: ポイントクラウドのための新しい近隣記述子
• Authors: Jonatan B. Bastos, Francisco F. Rivera, Oscar G. Lorenzo, David L. Vilariño, José C. Cabaleiro, Alberto M. Esmorís, Tomás F. Pena,
• Abstract要約: 本稿では,2次元および3次元点雲のための新しい近傍記述子LitSを紹介する。 LitS'ドメインの各要素は、局所参照システムに対する方向を表す。 任意の方向でLitSを評価することで、同じ方向を中心とするコーンのような領域の隣人の数に関する情報が得られます。
• 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: With the advancement of 3D scanning technologies, point clouds have become fundamental for representing 3D spatial data, with applications that span across various scientific and technological fields. Practical analysis of this data depends crucially on available neighborhood descriptors to accurately characterize the local geometries of the point cloud. This paper introduces LitS, a novel neighborhood descriptor for 2D and 3D point clouds. LitS are piecewise constant functions on the unit circle that allow points to keep track of their surroundings. Each element in LitS' domain represents a direction with respect to a local reference system. Once constructed, evaluating LitS at any given direction gives us information about the number of neighbors in a cone-like region centered around that same direction. Thus, LitS conveys a lot of information about the local neighborhood of a point, which can be leveraged to gain global structural understanding by analyzing how LitS changes between close points. In addition, LitS comes in two versions ('regular' and 'cumulative') and has two parameters, allowing them to adapt to various contexts and types of point clouds. Overall, they are a versatile neighborhood descriptor, capable of capturing the nuances of local point arrangements and resilient to common point cloud data issues such as variable density and noise.
• Abstract（参考訳）: 3次元走査技術の進歩により、点雲は様々な科学・技術分野にまたがる3次元空間データを表現するための基本となる。 このデータの実践的分析は、点雲の局所的な地形を正確に特徴付けるために利用可能な近傍記述子に大きく依存する。 本稿では,2次元および3次元点雲のための新しい近傍記述子LitSを紹介する。 LitS は単位円上の部分的定数関数であり、点がその周囲を追跡できる。 LitS'ドメインの各要素は、局所参照システムに対する方向を表す。 一度構築されると、任意の方向でLitSを評価することで、同じ方向を中心とするコーンのような領域の隣人の数に関する情報が得られる。 したがって、LitSは点の局所的な近傍に関する情報を多く伝達し、その情報を利用して、閉点間のLitSがどのように変化するかを分析することで、大域的な構造的理解を得ることができる。 さらに、LitSには2つのバージョン('regular'と'cumulative')があり、2つのパラメータを持ち、さまざまなコンテキストやポイントクラウドに適応できる。 全体としては、局所的な点配置のニュアンスを捉えることができ、変動密度やノイズなどの共通点クラウドデータ問題に耐性がある。

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)
• Geometrically-driven Aggregation for Zero-shot 3D Point Cloud Understanding [11.416392706435415]
  ゼロショット3Dポイントクラウド理解は2Dビジョンランゲージモデル(VLM)によって達成できる 既存の戦略は、ヴィジュアル・ランゲージ・モデル(Vision-Language Model)をレンダリングまたはキャプチャされた2Dピクセルから3Dポイントにマッピングし、固有かつ表現可能な雲の幾何学構造を見渡す。 本稿では, 点雲の3次元幾何学的構造を利用して, 移動したビジョン・ランゲージモデルの品質を向上させるための, 初となるトレーニングフリーアグリゲーション手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T12:30:07Z)
• Collect-and-Distribute Transformer for 3D Point Cloud Analysis [82.03517861433849]
  本稿では,点雲の短距離・長距離コンテキストを通信するための収集・分散機構を備えた新しい変圧器ネットワークを提案する。 その結果,提案したCDFormerの有効性が示され,ポイントクラウドの分類とセグメンテーションタスクにおける最先端のパフォーマンスがいくつか提供された。
  論文  参考訳（メタデータ） (2023-06-02T03:48:45Z)
• Quadric Representations for LiDAR Odometry, Mapping and Localization [93.24140840537912]
  現在のLiDARオードメトリ、マッピング、ローカライズ手法は、3Dシーンのポイントワイズ表現を利用する。 3次元オブジェクトのよりコンパクトな表現である2次元曲面を用いたシーン記述法を提案する。 提案手法は低レイテンシとメモリの有効性を維持しつつ、競争力があり、しかも精度も優れている。
  論文  参考訳（メタデータ） (2023-04-27T13:52:01Z)
• Learning Geometry-Disentangled Representation for Complementary Understanding of 3D Object Point Cloud [50.56461318879761]
  3次元画像処理のためのGDANet(Geometry-Disentangled Attention Network)を提案する。 GDANetは、点雲を3Dオブジェクトの輪郭と平らな部分に切り離し、それぞれ鋭い変化成分と穏やかな変化成分で表される。 3Dオブジェクトの分類とセグメンテーションベンチマークの実験は、GDANetがより少ないパラメータで最先端の処理を実現していることを示している。
  論文  参考訳（メタデータ） (2020-12-20T13:35:00Z)
• MNEW: Multi-domain Neighborhood Embedding and Weighting for Sparse Point Clouds Segmentation [1.2380933178502298]
  マルチドメインの近傍埋め込みや,その幾何学的距離,特徴的類似度,周辺空間の疎度に基づく注意重み付けなどを含むMNEWを提案する。 MNEWは、LiDARベースの自動運転認識の適用において重要であるスパースポイントクラウドの最高性能を達成する。
  論文  参考訳（メタデータ） (2020-04-05T18:02:07Z)

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。