論文の概要: Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization

• arxiv url: http://arxiv.org/abs/2606.10019v1
• Date: Mon, 08 Jun 2026 18:07:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.114834
• Title: Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization
• Title（参考訳）: Generalized-CVO: 2次リーマン最適化による高速で対応のないローカルポイントクラウド登録
• Authors: Ray Zhang, Marcus Greiff, Thomas Lew, John Subosits,
• Abstract要約: 高速かつ通信不要なローカルポイントクラウド登録法を提案する。 フレーム・ツー・フレームのLiDARとRGB-Dトラッキングの精度は,様々な屋内および屋外データセットで向上した。
• 参考スコア（独自算出の注目度）: 2.7544813298873145
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a fast and correspondence-free local point cloud registration method that leverages geometric surface structure and reproducing kernel Hilbert space (RKHS) embeddings. The method represents point clouds as continuous functions with point-wise anisotropic kernels that encode local geometry. This formulation improves alignment along surface normals while relaxing alignment along tangential directions. To solve the resulting registration problem, we propose a second-order on-manifold optimization scheme with approximate Riemannian Hessians, achieving a speedup of up to 10x over the first-order solvers used in prior correspondence-free RKHS-based methods. We demonstrate improved frame-to-frame LiDAR and RGB-D tracking accuracy across diverse indoor and outdoor datasets. On a LiDAR tracking registration task in the driving domain, we achieve a reduction of $>55\%$ in both translational and rotational drift in challenging feature-sparse environments. On object registration benchmarks, we show improved robustness over ICP-based methods and further gains when refining global initialization, particularly under moderate misalignment.
• Abstract（参考訳）: 幾何学的表面構造を利用して,カーネルヒルベルト空間(RKHS)の埋め込みを再現する高速かつ対応のない局所点クラウド登録法を提案する。 この方法は点雲を局所幾何学を符号化する点方向異方性カーネルを持つ連続関数として表現する。 この定式化は、接方向に沿ったアライメントを緩和しながら、表面の正常に沿ってアライメントを改善する。 得られた登録問題を解くために,RKHS法に先行する1次解法よりも最大10倍の高速化を達成し,リーマン・ヘッセンス近似を用いた2次オンマンフォールド最適化手法を提案する。 フレーム・ツー・フレームのLiDARとRGB-Dトラッキングの精度を、様々な屋内および屋外データセットで改善した。 運転領域におけるLiDAR追跡登録タスクでは,機能不足に悩む環境において,トランスレーショナルドリフトとローテーションドリフトの両方において,$>55\%の削減が達成される。 In object registration benchmarks, we showed improve robustness over ICP-based method and more gains when refining global initialization, especially under moderate misalignment。

関連論文リスト

• SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
  我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。 本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
  論文  参考訳（メタデータ） (2025-11-21T16:32:01Z)
• Micro-Structures Graph-Based Point Cloud Registration for Balancing Efficiency and Accuracy [5.70403503863614]
  マイクロ構造グラフに基づくグローバルポイントクラウド登録手法を提案する。 提案手法は3DMatch と ETH のデータセットでよく機能する。
  論文  参考訳（メタデータ） (2024-10-29T08:36:23Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid 3D Registration [77.13381026159111]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• LSG-CPD: Coherent Point Drift with Local Surface Geometry for Point Cloud Registration [1.8876415010297891]
  剛点雲登録のための局所表面形状法 (LSG-CPD) を用いた CPD と呼ばれる新しい手法を提案する。 本手法は,局所表面の平坦度に基づいて,点対面のペナリゼーションに異なるレベルのペナリゼーションを適応的に付加する。 CPDの現代の実装よりもはるかに高速です。
  論文  参考訳（メタデータ） (2021-03-28T03:46:41Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。