論文の概要: PC2Model: ISPRS benchmark on 3D point cloud to model registration
- arxiv url: http://arxiv.org/abs/2604.19596v2
- Date: Thu, 23 Apr 2026 16:21:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.028541
- Title: PC2Model: ISPRS benchmark on 3D point cloud to model registration
- Title（参考訳）: PC2Model:ISPRSベンチマークによる3Dポイントクラウドのモデル登録
- Authors: Mehdi Maboudi, Said Harb, Jackson Ferrao, Kourosh Khoshelham, Yelda Turkan, Karam Mawas,
- Abstract要約: 本稿では、古典的手法とデータ駆動手法の両方のトレーニングと評価を支援するために設計されたデータセットであるPC2Modelベンチマークを紹介する。
シミュレーションされたデータは正確な地上の真実と制御条件を提供し、実際のデータはセンサーや環境の人工物を導入している。
この設計は、ドメイン間の堅牢なトレーニングと評価をサポートし、シミュレーションから実世界のシナリオへのモデル転送可能性の体系的解析を可能にする。
- 参考スコア（独自算出の注目度）: 1.0775419935941009
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Point cloud registration involves aligning one point cloud with another or with a three-dimensional (3D) model, enabling the integration of multimodal data into a unified representation. This is essential in applications such as construction monitoring, autonomous driving, robotics, and virtual or augmented reality (VR/AR). With the increasing accessibility of point cloud acquisition technologies, such as Light Detection and Ranging (LiDAR) and structured light scanning, along with recent advances in deep learning, the research focus has increasingly shifted towards downstream tasks, particularly point cloud-to-model (PC2Model) registration. While data-driven methods aim to automate this process, they struggle with sparsity, noise, clutter, and occlusions in real-world scans, which limit their performance. To address these challenges, this paper introduces the PC2Model benchmark, a publicly available dataset designed to support the training and evaluation of both classical and data-driven methods. Developed under the leadership of ICWG II/Ib, the PC2Model benchmark adopts a hybrid design that combines simulated point clouds with, in some cases, real-world scans and their corresponding 3D models. Simulated data provide precise ground truth and controlled conditions, while real-world data introduce sensor and environmental artefacts. This design supports robust training and evaluation across domains and enables the systematic analysis of model transferability from simulated to real-world scenarios. The dataset is publicly accessible at: \href{https://doi.org/10.5281/zenodo.17581812}{https://zenodo.org/records/17581812}
- Abstract（参考訳）: ポイントクラウド登録は、1つのポイントクラウドを他のポイントクラウドまたは3次元(3D)モデルと整列させることで、マルチモーダルデータの統一表現への統合を可能にする。
これは、建設監視、自律運転、ロボティクス、バーチャルまたは拡張現実(VR/AR)などのアプリケーションに必須である。
Light Detection and Ranging(LiDAR)や構造化光スキャンといったポイントクラウド取得技術のアクセシビリティが向上し、ディープラーニングの最近の進歩とともに、研究の焦点は下流タスク、特にポイントクラウドツーモデル(PC2Model)の登録へと移りつつある。
データ駆動方式は、このプロセスを自動化することを目的としているが、現実のスキャンでは、スパーシリティ、ノイズ、クラッタ、オクルージョンに悩まされ、パフォーマンスが制限される。
これらの課題に対処するために,古典的手法とデータ駆動手法の両方のトレーニングと評価を支援するために設計された,公開データセットであるPC2Modelベンチマークを紹介する。
ICWG II/Ibのリーダーシップの下で開発されたPC2Modelベンチマークは、シミュレーションされた点雲と実世界のスキャンとそれに対応する3Dモデルを組み合わせたハイブリッド設計を採用する。
シミュレーションされたデータは正確な地上の真実と制御条件を提供し、実際のデータはセンサーや環境の人工物を導入している。
この設計は、ドメイン間の堅牢なトレーニングと評価をサポートし、シミュレーションから実世界のシナリオへのモデル転送可能性の体系的解析を可能にする。
データセットは: \href{https://doi.org/10.5281/zenodo.17581812}{https://zenodo.org/records/17581812}
関連論文リスト
- Point-Plane Projections for Accurate LiDAR Semantic Segmentation in Small Data Scenarios [5.856790488516224]
LiDARポイントクラウドセマンティックセグメンテーションは、自律運転やロボット工学といったアプリケーションにおける3D環境の解釈に不可欠である。
最近の方法では、異なるポイントクラウド表現を利用するか、カメラや外部データセットなどの他のセンサーからのデータを組み込むことで、強力なパフォーマンスを実現している。
点平面投影による2次元表現から特徴を効果的に学習することで点ベース手法の性能を向上させる。
論文 参考訳（メタデータ） (2025-09-13T15:03:12Z) - Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。
提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。
本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
論文 参考訳（メタデータ） (2025-06-26T11:53:59Z) - Point Cloud Segmentation of Agricultural Vehicles using 3D Gaussian Splatting [12.323236593352698]
この研究は、現実的な合成データを生成するための新しいパイプラインを導入することを目的としている。
我々はジェネリックモデルではなく、複数の農業車両の3D資産を生成する。
我々は、合成データのみをトレーニングし、検証することにより、PointNet++、Point Transformer V3、OACNNなどのセグメンテーションモデルに対する合成データの影響を評価する。
論文 参考訳（メタデータ） (2025-06-05T13:19:27Z) - JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data [49.2298619289506]
本稿では,ジッタリング強化,ドメイン認識バックボーン,メモリに基づくセクタライズAlignMentのためのJiSAMというプラグイン・アンド・プレイ手法を提案する。
有名なADデータセットであるNuScenesで実施された広範な実験において、SOTA 3Dオブジェクト検出器を用いて、JiSAMはシミュレーションデータと2.5%の実データにラベルを付けるだけで、実データで訓練されたモデルに匹敵する性能が得られることを示した。
論文 参考訳（メタデータ） (2025-03-11T13:35:39Z) - An Experimental Study of SOTA LiDAR Segmentation Models [3.8056056756169316]
ポイントクラウドセグメンテーション(ポイントクラウドセグメンテーション、英: Point cloud segmentation、PCS)とは、ポイントクラウドの各ポイントを分類することである。
PCSモデルは、大まかにポイント、ボクセル、レンジイメージベースモデルに分けられる。
最先端の点-, ボクセル-, レンジ画像ベースモデル間の総合的な比較は報告されていない。
論文 参考訳（メタデータ） (2025-02-18T13:48:22Z) - AutoSynth: Learning to Generate 3D Training Data for Object Point Cloud
Registration [69.21282992341007]
Auto Synthは、ポイントクラウド登録のための3Dトレーニングデータを自動的に生成する。
私たちはポイントクラウド登録ネットワークをもっと小さなサロゲートネットワークに置き換え、4056.43$のスピードアップを実現しました。
TUD-L,LINEMOD,Occluded-LINEMODに関する我々の研究結果は,検索データセットでトレーニングされたニューラルネットワークが,広く使用されているModelNet40データセットでトレーニングされたニューラルネットワークよりも一貫してパフォーマンスが向上していることを示す。
論文 参考訳（メタデータ） (2023-09-20T09:29:44Z) - Point-Syn2Real: Semi-Supervised Synthetic-to-Real Cross-Domain Learning
for Object Classification in 3D Point Clouds [14.056949618464394]
LiDAR 3Dポイントクラウドデータを用いたオブジェクト分類は、自律運転のような現代的なアプリケーションにとって重要である。
本稿では,ポイントクラウドのマニュアルアノテーションに依存しない半教師付きクロスドメイン学習手法を提案する。
我々は、ポイントクラウド上でのクロスドメイン学習のための新しいベンチマークデータセットであるPoint-Syn2Realを紹介した。
論文 参考訳（メタデータ） (2022-10-31T01:53:51Z) - Benchmarking the Robustness of LiDAR-Camera Fusion for 3D Object
Detection [58.81316192862618]
自律運転における3D知覚のための2つの重要なセンサーは、カメラとLiDARである。
これら2つのモダリティを融合させることで、3次元知覚モデルの性能を大幅に向上させることができる。
我々は、最先端の核融合法を初めてベンチマークした。
論文 参考訳（メタデータ） (2022-05-30T09:35:37Z) - Learning-based Point Cloud Registration for 6D Object Pose Estimation in
the Real World [55.7340077183072]
我々は、ポイントクラウドデータからオブジェクトの6Dポーズを推定するタスクに取り組む。
この課題に対処する最近の学習ベースのアプローチは、合成データセットにおいて大きな成功を収めている。
これらの障害の原因を分析し、ソースとターゲットポイントの雲の特徴分布の違いに遡る。
論文 参考訳（メタデータ） (2022-03-29T07:55:04Z)
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。