論文の概要: Point-Wise Geometry-Aware Transformer for Partial-to-Full Point Cloud Registration in Computer-Assisted Surgery

• arxiv url: http://arxiv.org/abs/2606.13488v1
• Date: Thu, 11 Jun 2026 15:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.888262
• Title: Point-Wise Geometry-Aware Transformer for Partial-to-Full Point Cloud Registration in Computer-Assisted Surgery
• Title（参考訳）: コンピュータ支援手術における部分対全点クラウド登録のための点幅対応変圧器
• Authors: Siyu Zhou, Zhongliang Jiang,
• Abstract要約: 本稿では,畳み込みと変圧器モジュールを組み合わせた粗いアーキテクチャを用いた学習ベースのポイントクラウド登録フレームワークを提案する。 ティビア、大腿骨、骨盤、胸骨軟骨を含む4つの幾何学的に異なる骨で実験が行われた。 提案手法は,部分観察による高精度な3次元点雲の登録を可能にする。
• 参考スコア（独自算出の注目度）: 5.569433775548014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partial-to-full registration remains challenging due to varying overlap ratios, fluctuating point densities, and the presence of noise. While transformers have shown strong potential for point cloud processing, prior methods typically confine them to global context aggregation, overlooking fine-grained local geometry crucial for accurate correspondence. We propose \emph{GAPR-Net}, a learning-based point cloud registration framework with a coarse-to-fine architecture that combines convolution and transformer modules, in which local and global information is fused between the partial and full point clouds using a cross-attention mechanism. To achieve this, a transformation-invariant point-wise geometric feature representation is proposed, which can robustly capture relative geometric features for individual points with respect to their neighboring points. To evaluate the effectiveness of the proposed approach, experiments are conducted on four geometrically distinct bones, including the tibia, femur, pelvis, and thoracic cartilage. The overall registration recall reaches 94.2\%, the method results in a low RMSE of 1.992 mm and $R^2$ values of 0.908 and 0.974 for rotation and translation, respectively. The results demonstrate that the proposed method effectively addresses the partial-to-full point cloud registration problem. The proposed method enables highly accurate 3D point cloud registration using partial observation, providing a critical foundation for precise surgical navigation and robotic interventions in computer-assisted surgery. The code will be accessed after the double-blind review process.
• Abstract（参考訳）: 部分対フルの登録は、重複率の相違、点密度の変動、ノイズの存在などにより、依然として困難である。 変圧器は点雲処理に強い可能性を示してきたが、従来の手法はそれらをグローバルなコンテキストアグリゲーションに限定し、正確な対応に欠かせない微細な局所幾何学を見越す。 本稿では,畳み込みとトランスフォーマーモジュールを組み合わせた粗いアーキテクチャを備えた学習ベースのポイントクラウド登録フレームワークである \emph{GAPR-Net} を提案する。 これを実現するために, 個々の点に対する相対的幾何学的特徴を, 隣接する点に対して頑健に把握できる変換不変な点-幾何的特徴表現を提案する。 提案手法の有効性を評価するため, 胸骨, 大腿骨, 骨盤, 胸骨軟骨を含む4つの幾何学的に異なる骨について実験を行った。 全体の登録リコールは94.2\%に達し、それぞれ1.992mmのRMSEと$R^2$の0.908と0.974の値で回転と翻訳を行う。 その結果,提案手法は部分対フルポイントのクラウド登録問題に効果的に対処できることが示唆された。 提案手法により, 部分観察による高精度な3次元点雲の登録が可能となり, コンピュータ支援手術における正確な手術ナビゲーションとロボット操作のための重要な基盤となる。 コードは、二重盲検レビュープロセス後にアクセスされる。

関連論文リスト

• PKSS-Align: Robust Point Cloud Registration on Pre-Kendall Shape Space [15.151282762403305]
  提案手法では,PKSS,テキストカラーブラックは形状測定に基づく手法であり,点間距離や点間距離を必要としない。 単純な並列加速度に基づいて、実際は効率と実現可能性を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2025-08-06T10:17:42Z)
• Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
  ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。 この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。 我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。 点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
  論文  参考訳（メタデータ） (2025-02-12T10:44:36Z)
• AdaPoinTr: Diverse Point Cloud Completion with Adaptive Geometry-Aware Transformers [94.11915008006483]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々は、ポイントクラウド補完のためにTransformerエンコーダデコーダアーキテクチャを採用したPoinTrと呼ばれる新しいモデルを設計する。 本手法は,PCNで6.53 CD,ShapeNet-55で0.81 CD,現実世界のKITTIで0.392 MMDを実現する。
  論文  参考訳（メタデータ） (2023-01-11T16:14:12Z)
• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• CloudAttention: Efficient Multi-Scale Attention Scheme For 3D Point Cloud Learning [81.85951026033787]
  この作業にトランスフォーマーをセットし、それらを形状分類と部分およびシーンセグメンテーションのための階層的なフレームワークに組み込む。 また、各イテレーションにおけるサンプリングとグループ化を活用して、効率的でダイナミックなグローバルなクロスアテンションを計算します。 提案した階層モデルは,最先端の形状分類を平均精度で達成し,従来のセグメンテーション法と同等の結果を得る。
  論文  参考訳（メタデータ） (2022-07-31T21:39:15Z)
• Full Transformer Framework for Robust Point Cloud Registration with Deep Information Interaction [9.431484068349903]
  最近のTransformerベースの手法は、ポイントクラウドの登録において高度なパフォーマンスを実現している。 近年のCNNは、現地の受容によるグローバルな関係のモデル化に失敗している。 トランスフォーマーの幅の浅いアーキテクチャと位置エンコーディングの欠如は、不明瞭な特徴抽出につながる。
  論文  参考訳（メタデータ） (2021-12-17T08:40:52Z)
• PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
  本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。 我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。 提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T17:58:56Z)
• OMNet: Learning Overlapping Mask for Partial-to-Partial Point Cloud Registration [31.108056345511976]
  OMNetは、部分から部分へのポイントクラウド登録のためのグローバル機能ベースの反復ネットワークです。 マスクを粗雑に学習し,重複しない領域を拒絶し,部分から部分への登録を同一形状の登録に変換する。
  論文  参考訳（メタデータ） (2021-03-01T11:59:59Z)

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。