論文の概要: Scalable and Differentiable Point-Cloud Registration Using Maximum Mean Discrepancy

• arxiv url: http://arxiv.org/abs/2606.27818v1
• Date: Fri, 26 Jun 2026 07:59:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.414473
• Title: Scalable and Differentiable Point-Cloud Registration Using Maximum Mean Discrepancy
• Title（参考訳）: 最大平均差分法によるスケーラブルで微分可能なポイントクラウド登録
• Abstract要約: MMD-Regは、ポイントクラウド登録に対する対応のないアプローチであり、点数において微分可能であり、線形計算の複雑さを持つ。 このニューラルMDD-Regの定式化は、レイヤーをセット変換器と統合し、教師なしおよび教師なしの設定で結果のモデルを訓練し、その性能を最近の学習法と比較することで実証する。
• 参考スコア（独自算出の注目度）: 9.317249642627058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present MMD-Reg, a novel correspondence-free approach to point-cloud registration that is differentiable and has linear computational complexity in the number of points. We model registration as a nonlinear least-squares problem based on the Maximum Mean Discrepancy, approximated using random Fourier features. The resulting objective can be solved efficiently with standard methods such as Levenberg-Marquardt, and the solution is differentiable via the implicit function theorem. This allows MMD-Reg to be used as a differentiable optimization layer within end-to-end trainable models, supporting registration under challenging conditions such as poor initial alignment and partial overlap. We demonstrate this Neural MMD-Reg formulation by integrating the layer with a set transformer, training the resulting model in supervised and unsupervised settings, and comparing its performance against recent learning-based methods. We also evaluate standalone MMD-Reg, comparing its accuracy and scalability against widely used non-learning-based registration methods.
• Abstract（参考訳）: MMD-Regは、ポイントクラウド登録に対する新しい対応のないアプローチであり、点数において微分可能であり、線形計算の複雑さを有する。 最大平均離散性に基づく非線形最小二乗問題として、ランダムなフーリエ特徴を用いて、登録をモデル化する。 結果として得られる目的は、レバンス=マルカルトのような標準的な手法で効率的に解決することができ、その解は暗黙の関数定理によって微分可能である。 これによりMDD-Regは、エンドツーエンドのトレーニング可能なモデル内での差別化可能な最適化層として使用でき、初期アライメントの貧弱や部分オーバーラップといった困難な条件下での登録をサポートする。 このニューラルMDD-Regの定式化は、レイヤーをセット変換器と統合し、教師なしおよび教師なしの設定で結果のモデルを訓練し、その性能を最近の学習法と比較することで実証する。 また,スタンドアローンMDD-Regの評価を行い,その精度とスケーラビリティを,広く使われている非学習ベース登録法と比較した。

関連論文リスト

• Difference-of-Convex Regularization for Graph Learning by Differentiable Programming [1.9651461643699661]
  直接反転なしでラプラシアン擬似逆のスペクトル作用を近似する差分凸正規化器(DCR)グラフ学習フレームワークを提案する。 Laplacian-Regularized Non negative Least Squares (LR-NNLS) を二重表現で再構成することにより、DCRはインスタンス固有の推論から擬似逆学習を分離する。 DCRアルゴリズムの安定性と一意な固定点の存在を理論的に保証する。
  論文  参考訳（メタデータ） (2026-08-13T03:10:05Z)
• Feynman-Kac Correctors in Diffusion: Annealing, Guidance, and Product of Experts [64.34482582690927]
  事前学習したスコアベースモデルから得られた熱処理, 幾何平均, 製品分布の配列から, 効率的かつ原理的に抽出する方法を提供する。 本稿では,サンプリング品質を向上させるために,推論時間スケーリングを利用する逐次モンテカルロ(SMC)再サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-04T17:46:51Z)
• WENDy for Nonlinear-in-Parameters ODEs [2.066079080612853]
  WENDy-MLE は局所非収束最適化手法を用いて最大極大推定器を近似する。 WENDy-MLEは精度が良く、収束領域がかなり大きく、しばしば他の弱い形式法や従来の出力誤差最小二乗法よりも高速である。 本稿では, ODE のベンチマークシステムを用いて, 提案手法, その他の弱い形状法, および出力誤差最小二乗を比較検討した。
  論文  参考訳（メタデータ） (2025-02-13T01:40:21Z)
• Recursive Learning of Asymptotic Variational Objectives [49.69399307452126]
  一般状態空間モデル(英: General State-space Model, SSM)は、統計機械学習において広く用いられ、時系列データに対して最も古典的な生成モデルの一つである。 オンラインシーケンシャルIWAE(OSIWAE)は、潜在状態の推測のためのモデルパラメータとマルコフ認識モデルの両方のオンライン学習を可能にする。 このアプローチは、最近提案されたオンライン変分SMC法よりも理論的によく確立されている。
  論文  参考訳（メタデータ） (2024-11-04T16:12:37Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Direct Estimation of Parameters in ODE Models Using WENDy: Weak-form Estimation of Nonlinear Dynamics [0.0]
  ODE の非線形システムに対するモデルパラメータを推定する Weak-form Estimation of Dynamics (WENDy) 手法を提案する。 WENDyは正確な推定値を計算し、大きな(生物学的に関係のある)測定ノイズに対して堅牢である。 個体群生物学,神経科学,生化学の共通モデルにおいて,WENDyを用いてパラメータを推定することにより,高いロバスト性と計算効率を示す。
  論文  参考訳（メタデータ） (2023-02-26T08:49:34Z)
• 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)
• Robust Multi-view Registration of Point Sets with Laplacian Mixture Model [25.865100974015412]
  重み付きラプラシアン分布に基づいて複数の点集合を整列させる新しい確率的生成法を提案する。 本稿では,提案手法の利点を,ベンチマークの挑戦的データセットに対する最先端手法と比較することによって示す。
  論文  参考訳（メタデータ） (2021-10-26T14:49:09Z)
• Effective multi-view registration of point sets based on student's t mixture model [15.441928157356477]
  本稿では,学生のt混合モデル(StMM)に基づく効果的な登録手法を提案する。 NNサーチ法により全てのt分布セントロイドが得られるため、マルチビュー登録を実現するのがより効率的である。 実験結果は,最先端手法よりも優れた性能と精度を示す。
  論文  参考訳（メタデータ） (2020-12-13T08:27:29Z)
• Rigid and Articulated Point Registration with Expectation Conditional Maximization [20.096170794358315]
  革新的なEMライクアルゴリズム、すなわちECMPR(Conditional Expectation Maximization for Point Registration)アルゴリズムを紹介します。 登録パラメータの推定の観点で、関連する結果について詳細に分析する。 堅固な登録を有形登録まで延長します。
  論文  参考訳（メタデータ） (2020-12-09T17:36:11Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)

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。