論文の概要: RadiusFPS: Efficient Farthest Point Sampling on CPUs and GPUs via Spherical Voxel Pruning

• arxiv url: http://arxiv.org/abs/2606.06255v1
• Date: Thu, 04 Jun 2026 14:57:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.879897
• Title: RadiusFPS: Efficient Farthest Point Sampling on CPUs and GPUs via Spherical Voxel Pruning
• Title（参考訳）: RadiusFPS: Spherical Voxel PruningによるCPUとGPU上での効率的なファーテストポイントサンプリング
• Authors: Ziyang Yu, Xiang Li, Qiong Chang, Jun Miyazaki,
• Abstract要約: 点雲はロボット知覚の主要な感覚表現である。 FPSは最もよく知られたダウンサンプリング演算子である。 FPSは、現代の3Dセンサーの100万ポイント/秒の速度ではスケールが良くない。
• 参考スコア（独自算出の注目度）: 7.454629583409613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point clouds are a primary sensory representation for robotic perception, underpinning LiDAR-based autonomous driving, simultaneous localization and mapping (SLAM), and navigation. Within these pipelines, Farthest Point Sampling (FPS) is the most well-known downsampling operator, as its uniform coverage preserves the geometric structure on which downstream perception relies. However, the large time complexity of classical FPS scales poorly with the million-point-per-second rates of modern 3D sensors, making it a dominant latency bottleneck that conflicts with the real-time and limited onboard compute budgets of robotic systems. Therefore, we propose RadiusFPS, an FPS acceleration framework based on spherical voxel pruning that preserves the standard FPS update rule under the same initialization and tie-breaking policy. By indexing the point cloud with spherical voxels, RadiusFPS derives a conservative geometric bound that prunes redundant distance computations in each iteration, complemented by a coordinate-wise point-skip test that removes residual updates. We further introduce RadiusFPS-G, a warp-level GPU implementation that fuses voxel selection, pruning, and distance update into memory-coalesced kernels, eliminating costly global-memory round-trips. On indoor (S3DIS, ScanNet) and outdoor LiDAR (SemanticKITTI) benchmarks, RadiusFPS-G attains up to 2.5x speedup over GPU-based FPS and matches or exceeds QuickFPS among the evaluated methods while using roughly half its GPU memory, with comparable segmentation accuracy. When coupled with the learning-based FastPoint sampler, the resulting pipeline achieves the fastest End-to-End inference among all evaluated configurations. These properties make high-quality FPS-style sampling practical for latency- and memory-constrained robotic vision.
• Abstract（参考訳）: ポイントクラウドはロボット知覚の主要な感覚表現であり、LiDARベースの自動運転、同時ローカライゼーションとマッピング(SLAM)、ナビゲーションの基盤となっている。 これらのパイプラインの中では、FPS(Farthest Point Sampling)が最もよく知られているダウンサンプリング演算子であり、その均一なカバレッジは下流の知覚が依存する幾何学的構造を保存する。 しかし、古典的なFPSの大きな時間的複雑さは、現代の3Dセンサーの100万ポイント/秒の速度では不十分であり、ロボットシステムのリアルタイムおよび限られた計算予算と競合する、圧倒的なレイテンシのボトルネックとなっている。 そこで本研究では,FPS更新規則を同じ初期化とタイブレーカポリシーで保持する球面ボクセルプルーニングに基づくFPS加速フレームワークであるRadiusFPSを提案する。 点雲に球面ボクセルをインデックス化することで、RadiusFPSは各反復において冗長な距離計算を誘発する保守的な幾何学的境界を導出し、残差を除去する座標ワイドの点スキップテストによって補う。 我々はさらに、ワープレベルのGPU実装であるRadiusFPS-Gを導入し、ボクセルの選択、プルーニング、距離更新をメモリ対応カーネルに融合し、コストのかかるグローバルメモリのラウンドトリップを排除した。 屋内(S3DIS, ScanNet)および屋外LiDAR(SemanticKITTI)ベンチマークでは、RadiusFPS-GはGPUベースのFPSよりも2.5倍のスピードアップを実現し、約半分のGPUメモリを使用しながら、評価手法の中でQuickFPSと一致または上回っている。 学習ベースのFastPointサンプルラと組み合わせると、結果のパイプラインは、評価されたすべての構成の中で、最速のエンドツーエンド推論を達成する。 これらの特性は、レイテンシとメモリ制限されたロボットビジョンのために高品質なFPSスタイルのサンプリングを実践する。

関連論文リスト

• FlashFPS: Efficient Farthest Point Sampling for Large-Scale Point Clouds via Pruning and Caching [10.428491193699374]
  ポイントベースニューラルネットワーク(PNN)は,ポイントクラウド処理において重要なアプローチとなっている。 Farthest Point Sampling (FPS)は、しばしば大きなレイテンシをもたらす。 FPSは、PNN内の複数のネットワーク層にまたがる網羅的な計算のために、依然として大きなボトルネックとなっている。
  論文  参考訳（メタデータ） (2026-04-20T02:03:24Z)
• PiLoT: Neural Pixel-to-3D Registration for UAV-based Ego and Target Geo-localization [26.426290913965456]
  我々は、UAVベースのエゴに取り組み、地理的ローカライゼーションをターゲットとする統合フレームワークPiLoTを提案する。 1)コアローカライゼーションスレッドからマップレンダリングを分離し、低レイテンシとドリフトフリーの精度を保証するデュアルスレッドエンジン。 このデータセットは、シミュレーションから実データへのゼロショット方式で一般化する軽量ネットワークのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2026-03-21T12:08:46Z)
• Online Dense Point Tracking with Streaming Memory [54.22820729477756]
  デンスポイントトラッキングは、ビデオのかなりの部分を通して、初期フレーム内のすべてのポイントの連続的な追跡を必要とする、困難なタスクである。 最近の点追跡アルゴリズムは、通常、最初のフレームから現在のフレームへの間接的な情報伝達のためにスライドウィンドウに依存する。 我々は、高密度のtextbfPOint textbfTracking とオンラインビデオ処理のための textbfStreaming メモリを備えた軽量で高速なモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-09T06:16:49Z)
• NeRF-Det++: Incorporating Semantic Cues and Perspective-aware Depth Supervision for Indoor Multi-View 3D Detection [72.0098999512727]
  NeRF-Detは、NeRFを用いた屋内マルチビュー3次元検出において、表現学習の強化による優れた性能を実現している。 セマンティックエンハンスメント(セマンティックエンハンスメント)、パースペクティブ・アウェア・サンプリング(パースペクティブ・アウェア・サンプリング)、および順序深度監視を含む3つのソリューションを提案する。 結果として得られたアルゴリズムであるNeRF-Det++は、ScanNetV2とAR KITScenesデータセットで魅力的なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-22T11:48:06Z)
• IC-FPS: Instance-Centroid Faster Point Sampling Module for 3D Point-base Object Detection [0.5249805590164902]
  本研究は,大規模クラウド上でのポイントベース手法の低効率化に焦点をあてる。 既存の点ベース手法では、ダウンサンプリングのための極端点サンプリング(FPS)戦略を採用している。 本稿では,非常に面倒な最初のSet Abstraction (SA) レイヤを効果的に置き換える新しいインスタンス・センタロイド高速点サンプリングモジュール (IC-FPS) を提案する。
  論文  参考訳（メタデータ） (2023-03-31T09:31:29Z)
• FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
  既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。 FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
  論文  参考訳（メタデータ） (2023-02-05T12:13:27Z)
• Fully Sparse 3D Object Detection [57.05834683261658]
  長距離LiDARオブジェクト検出のためのフルスパース3Dオブジェクト検出器(FSD)を構築した。 FSDは一般的なスパース・ボクセル・エンコーダと新しいスパース・インスタンス認識(SIR)モジュール上に構築されている。 SIRは、ポイントをインスタンスにグループ化することで、以前のポイントベースのメソッドでの待ち行列クエリを避ける。
  論文  参考訳（メタデータ） (2022-07-20T17:01:33Z)

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。