論文の概要: Hg-I2P: Bridging Modalities for Generalizable Image-to-Point-Cloud Registration via Heterogeneous Graphs

• arxiv url: http://arxiv.org/abs/2603.27969v1
• Date: Mon, 30 Mar 2026 02:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.199215
• Title: Hg-I2P: Bridging Modalities for Generalizable Image-to-Point-Cloud Registration via Heterogeneous Graphs
• Title（参考訳）: Hg-I2P:不均一グラフによる一般化可能な画像-ポイント-クラウド登録のためのブリッジングモード
• Authors: Pei An, Junfeng Ding, Jiaqi Yang, Yulong Wang, Jie Ma, Liangliang Nan,
• Abstract要約: イメージ・ツー・ポイント・クラウド(I2P)登録は、信頼性の高い2D-3D対応を確立することで、2Dイメージを3Dポイント・クラウドに整列することを目的としている。 我々はHg-I2Pと呼ばれる不均一グラフ埋め込みI2P登録法を提案する。 クロスドメイン設定下での屋内および屋外の6つのベンチマーク実験により、Hg-I2Pは一般化と精度の両方で既存の手法よりも著しく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）: 26.54962387458329
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-to-point-cloud (I2P) registration aims to align 2D images with 3D point clouds by establishing reliable 2D-3D correspondences. The drastic modality gap between images and point clouds makes it challenging to learn features that are both discriminative and generalizable, leading to severe performance drops in unseen scenarios. We address this challenge by introducing a heterogeneous graph that enables refining both cross-modal features and correspondences within a unified architecture. The proposed graph represents a mapping between segmented 2D and 3D regions, which enhances cross-modal feature interaction and thus improves feature discriminability. In addition, modeling the consistency among vertices and edges within the graph enables pruning of unreliable correspondences. Building on these insights, we propose a heterogeneous graph embedded I2P registration method, termed Hg-I2P. It learns a heterogeneous graph by mining multi-path feature relationships, adapts features under the guidance of heterogeneous edges, and prunes correspondences using graph-based projection consistency. Experiments on six indoor and outdoor benchmarks under cross-domain setups demonstrate that Hg-I2P significantly outperforms existing methods in both generalization and accuracy. Code is released on https://github.com/anpei96/hg-i2p-demo.
• Abstract（参考訳）: イメージ・ツー・ポイント・クラウド(I2P)登録は、信頼性の高い2D-3D対応を確立することで、2Dイメージを3Dポイント・クラウドに整列することを目的としている。 画像と点雲の間の劇的なモダリティのギャップは、差別的かつ一般化可能な機能を学ぶのを難しくし、目に見えないシナリオでパフォーマンスが大幅に低下する。 この課題に対処するために、異種グラフを導入し、統一アーキテクチャ内のクロスモーダル特徴と対応性の両方を精製する。 提案するグラフはセグメント化された2D領域と3D領域のマッピングを表現し, クロスモーダルな特徴相互作用を強化し, 特徴識別性を向上させる。 さらに、グラフ内の頂点と辺間の一貫性をモデル化することで、信頼できない対応のプルーニングが可能になる。 これらの知見に基づいて、Hg-I2Pと呼ばれる不均一グラフ埋め込みI2P登録法を提案する。 マルチパス特徴関係をマイニングして不均一グラフを学習し、不均一エッジのガイダンスの下で特徴を適応し、グラフベースの射影整合性を用いた不均一対応を学習する。 クロスドメイン設定下での屋内および屋外の6つのベンチマーク実験により、Hg-I2Pは一般化と精度の両方で既存の手法よりも著しく優れていることが示された。 コードはhttps://github.com/anpei96/hg-i2p-demoで公開されている。

関連論文リスト

• GLASS: Geometry-aware Local Alignment and Structure Synchronization Network for 2D-3D Registration [31.27446797835971]
  繰り返しパターンを持つシーンでは、画像には十分な3D構造的手がかりや点雲とのアライメントが欠如しており、不正確な一致につながっている。 本稿では,局所幾何拡張(LGE)モジュールとグラフ分散一貫性(GDC)モジュールの2つの新しいモジュールを提案する。 提案手法は,イメージ・ツー・ポイント・クラウド登録における最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-03-27T10:30:40Z)
• LineGraph2Road: Structural Graph Reasoning on Line Graphs for Road Network Extraction [0.0]
  LineGraph2Roadは、構築されたグローバルだがスパースなユークリッドグラフにおいて、エッジ上のバイナリ分類として定式化することで接続性予測を改善するフレームワークである。 都市スケール,SpaceNet,Global-scaleの3つのベンチマークで評価し,TOPO-F1とAPLSの2つの主要な指標で最先端の結果が得られたことを示す。
  論文  参考訳（メタデータ） (2026-02-26T18:02:44Z)
• G2P: Gaussian-to-Point Attribute Alignment for Boundary-Aware 3D Semantic Segmentation [22.750868489199686]
  本稿では,3次元ガウススプラッティングから点雲へ外観認識属性を移し,より識別的かつ外観に一貫性のあるセグメンテーションを行うガウス・ツー・ポイント(G2P)を提案する。 提案手法は,標準ベンチマーク上での優れた性能を実現し,幾何学的に難解なクラスにおいて,すべて2Dや言語を監督せずに大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2026-01-07T01:44:29Z)
• Robust 3D Point Clouds Classification based on Declarative Defenders [18.51700931775295]
  3Dポイントの雲は非構造的でスパースであり、2Dイメージは構造的で密度が高い。 本稿では,3次元点雲を2次元画像にマッピングする3つの異なるアルゴリズムについて検討する。 提案手法は敵攻撃に対する高い精度と堅牢性を示す。
  論文  参考訳（メタデータ） (2024-10-13T01:32:38Z)
• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• CheckerPose: Progressive Dense Keypoint Localization for Object Pose Estimation with Graph Neural Network [66.24726878647543]
  単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。 近年の研究では、高密度対応型解の大きな可能性を示している。 そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-29T17:30:53Z)
• Unleash the Potential of Image Branch for Cross-modal 3D Object Detection [67.94357336206136]
  画像分岐のポテンシャルを2つの側面から解き放つことを目的として,新しい3Dオブジェクト検出器UPIDetを提案する。 まず、UPIDetは正規化された局所座標写像推定と呼ばれる新しい2次元補助タスクを導入する。 第2に,イメージブランチのトレーニング目標から逆転する勾配によって,ポイントクラウドバックボーンの表現能力を向上できることを見出した。
  論文  参考訳（メタデータ） (2023-01-22T08:26:58Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Joint Deep Multi-Graph Matching and 3D Geometry Learning from Inhomogeneous 2D Image Collections [57.60094385551773]
  非均質な画像コレクションから変形可能な3Dジオメトリモデルを学ぶためのトレーニング可能なフレームワークを提案する。 さらに,2次元画像で表現された物体の3次元形状も取得する。
  論文  参考訳（メタデータ） (2021-03-31T17:25:36Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
  Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。 本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
  論文  参考訳（メタデータ） (2020-08-03T08:48:41Z)

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。