論文の概要: GeGS-PCR: Effective and Robust 3D Point Cloud Registration with Two-Stage Color-Enhanced Geometric-3DGS Fusion

• arxiv url: http://arxiv.org/abs/2604.17721v1
• Date: Mon, 20 Apr 2026 02:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.661309
• Title: GeGS-PCR: Effective and Robust 3D Point Cloud Registration with Two-Stage Color-Enhanced Geometric-3DGS Fusion
• Title（参考訳）: GeGS-PCR:2段階カラー強化幾何3DGS融合による有効かつロバストな3Dポイントクラウド登録
• Authors: Jiayi Tian, Haiduo Huang, Tian Xia, Wenzhe Zhao, Pengju Ren,
• Abstract要約: GeGS-PCRは幾何学的,色,ガウス的情報を組み合わせた新しい2段階法である。 提案手法では,多レベル幾何および色データから色特徴を抽出し,色特徴量を向上させる専用カラーエンコーダを組み込んだ。 textitRegistration Recall 99.9%、textitRelative Rotation Error 0.013、textitRelative Translation Error 0.024 0.024 で最先端性能を実現し、少なくとも2。
• 参考スコア（独自算出の注目度）: 9.175910719048845
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We address the challenge of point cloud registration using color information, where traditional methods relying solely on geometric features often struggle in low-overlap and incomplete scenarios. To overcome these limitations, we propose GeGS-PCR, a novel two-stage method that combines geometric, color, and Gaussian information for robust registration. Our approach incorporates a dedicated color encoder that enhances color features by extracting multi-level geometric and color data from the original point cloud. We introduce the \textbf{Ge}ometric-3D\textbf{GS} module, which encodes the local neighborhood information of colored superpoints to ensure a globally invariant geometric-color context. Leveraging LORA optimization, we maintain high performance while preserving the expressiveness of 3DGS. Additionally, fast differentiable rendering is utilized to refine the registration process, leading to improved convergence. To further enhance performance, we propose a joint photometric loss that exploits both geometric and color features. This enables strong performance in challenging conditions with extremely low point cloud overlap. We validate our method by colorizing the Kitti dataset as ColorKitti and testing on both Color3DMatch and Color3DLoMatch datasets. Our method achieves state-of-the-art performance with \textit{Registration Recall} at 99.9\%, \textit{Relative Rotation Error} as low as 0.013, and \textit{Relative Translation Error} as low as 0.024, improving precision by at least a factor of 2.
• Abstract（参考訳）: カラー情報を用いたポイントクラウド登録の課題には,幾何学的特徴のみに依存する従来の手法が,低オーバーラップや不完全なシナリオでしばしば苦労する,という課題がある。 このような制約を克服するため,幾何的,色,ガウス的情報を結合して頑健な登録を行う新しい2段階法であるGeGS-PCRを提案する。 提案手法は,原点雲から多段階の幾何および色データを抽出することにより,色特徴を向上する専用カラーエンコーダを組み込んだものである。 色付きスーパーポイントの局所的な近傍情報をエンコードして、グローバルに不変な幾何学色コンテキストを保証する。 LORAの最適化を利用して、3DGSの表現性を保ちながら高い性能を維持する。 さらに、高速な微分可能レンダリングを使用して登録プロセスを洗練し、収束性を向上させる。 性能向上のために,幾何学的特徴と色彩的特徴の両面を利用した共同測光損失を提案する。 これにより、極めて低ポイントのクラウド重なり合いの厳しい条件下での強力なパフォーマンスが可能になる。 筆者らは、KittiデータセットをColorKittiとして色付けし、Color3DMatchとColor3DLoMatchデータセットの両方でテストすることで、本手法の有効性を検証する。 提案手法は, 99.9 %の「textit{Registration Recall}」, 0.013 %の「textit{Relative Rotation Error}」, 0.024 %の「textit{Relative Translation Error}」, 0.024 %の「textit{Relative Translation Error}」を用いて, 精度を2。

関連論文リスト

• GS^2: Graph-based Spatial Distribution Optimization for Compact 3D Gaussian Splatting [50.2045409672451]
  3D Gaussian Splatting (3DGS)は、新しいビュー合成とリアルタイムレンダリングにおいて画期的な性能を示した。 大量のガウス点があるため、高いメモリコストに制約される。 コンパクトな3DGSのためのグラフベースの空間分布最適化を提案する。
  論文  参考訳（メタデータ） (2026-04-02T10:41:51Z)
• Unified Geometry and Color Compression Framework for Point Clouds via Generative Diffusion Priors [58.93377653375906]
  テスト時統合幾何および3次元点雲の色圧縮フレームワークを提案する。 本手法は,形状や色を圧縮する上で,既存のベースラインに比べて優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-23T14:27:48Z)
• SAGS: Structure-Aware 3D Gaussian Splatting [53.6730827668389]
  本研究では,シーンの形状を暗黙的に符号化する構造認識型ガウス散乱法(SAGS)を提案する。 SAGSは、最先端のレンダリング性能と、ベンチマークノベルビュー合成データセットのストレージ要件の削減を反映している。
  論文  参考訳（メタデータ） (2024-04-29T23:26:30Z)
• DGC-GNN: Leveraging Geometry and Color Cues for Visual Descriptor-Free 2D-3D Matching [39.461400537109895]
  画像中の2Dキーポイントとシーンのスパースな3Dポイントクラウドとを視覚ディスクリプタを必要とせずにマッチングすることは、関心の高まりを招いている。 DGC-GNNは,鍵点を表すために幾何学的および色彩的キューを利用する新しいアルゴリズムであり,マッチング精度が向上する。 我々は、DGC-GNNを屋内と屋外の両方のデータセットで評価し、最先端のビジュアルディスクリプタフリーアルゴリズムの精度を2倍にするだけでなく、ディスクリプタベースとディスクリプタフリー手法のパフォーマンスギャップを大幅に狭めることを示した。
  論文  参考訳（メタデータ） (2023-06-21T20:21:15Z)
• GQE-Net: A Graph-based Quality Enhancement Network for Point Cloud Color Attribute [51.4803148196217]
  本稿では,点雲の色歪みを低減するため,グラフベースの品質向上ネットワーク(GQE-Net)を提案する。 GQE-Netは、幾何学情報を補助入力とグラフ畳み込みブロックとして使用し、局所的な特徴を効率的に抽出する。 実験結果から,本手法は最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-03-24T02:33:45Z)
• PCR-CG: Point Cloud Registration via Deep Explicit Color and Geometry [28.653015760036602]
  色信号を幾何学表現に明示的に埋め込む新しい3Dポイントクラウド登録モジュールを提案する。 我々の重要な貢献は、色信号から学習した深い特徴を幾何学的表現に埋め込む2D-3Dクロスモダリティ学習アルゴリズムである。 本研究は, 登録作業において, 鮮明な深色特徴を点雲に関連付けるという大きな利点を明らかにした。
  論文  参考訳（メタデータ） (2023-02-28T08:50:17Z)

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。