論文の概要: Image-to-Point Cloud Registration Made Easy with Rectified Flow-based LiDAR Upsampling

• arxiv url: http://arxiv.org/abs/2607.14639v1
• Date: Thu, 16 Jul 2026 07:06:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.017807
• Title: Image-to-Point Cloud Registration Made Easy with Rectified Flow-based LiDAR Upsampling
• Title（参考訳）: フローベースLiDARアップサンプリングによる画像間クラウドの登録を容易にする
• Abstract要約: I2P(Image-to-Point Cloud Registration)は、認識システムや自律システムにおいて、カメラとLiDARを統合する上で不可欠である。 我々は,LiDARを単一スパースLiDARスキャンから撮像センサとして扱う,シンプルで効果的なI2P法を提案する。 R3LIVEデータセットを用いた実験により,提案手法は4.89/1.63mの平均誤差を達成し,既存の手法より優れていた。
• 参考スコア（独自算出の注目度）: 15.063950064670403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image-to-Point Cloud Registration (I2P) is essential for integrating camera and LiDAR in perception and autonomous systems, yet the modality gap between images and point clouds makes it difficult to achieve both high accuracy and strong generalization. In this paper, we propose a simple yet effective I2P method that treats LiDAR as an imaging sensor: from a single sparse LiDAR scan, we generate a dense LiDAR intensity image using Conditional Rectified Flow, match it with a camera image using a pre-trained feature matcher, and estimate the 6-DoF relative pose via PnP-RANSAC. The proposed model is pre-trained through a self-supervised image completion task and fine-tuned on a small amount of LiDAR data (neither image-point cloud pairs nor ground-truth sensor poses are required), enabling it to scale to diverse LiDAR and camera configurations. Experiments on the R3LIVE dataset show that the proposed method achieves a mean error of 4.89° / 1.63 m, outperforming existing methods, while completing a single registration in approximately 0.68 s.
• Abstract（参考訳）: I2P(Image-to-Point Cloud Registration)は、認識システムや自律システムにおいて、カメラとLiDARを統合する上で不可欠であるが、画像と点雲の間のモダリティギャップは、高い精度と強力な一般化の両方を達成するのを困難にしている。 本稿では,LiDARを撮像センサとして扱う簡易で効果的なI2P法を提案する。単一スパースLiDARスキャンにより,条件整流を用いて高密度LiDAR強度画像を生成し,事前学習した特徴マッチング器を用いてカメラ画像とマッチングし,PnP-RANSACを介して6-DoF相対ポーズを推定する。 提案したモデルは,自己監督型画像補完タスクを通じて事前訓練を行い,少量のLiDARデータに基づいて微調整を行う(画像点雲対も接地型センサーのポーズも必要とせず,多様なLiDARやカメラ構成にスケールすることができる)。 R3LIVEデータセットの実験では、提案手法は平均誤差4.89° / 1.63mを達成し、既存の手法より優れており、約0.68秒で単一の登録を完了している。

関連論文リスト

• DPA-I2P: Depth-Guided Projective Alignment for Image-to-Point-Cloud Registration in Autonomous Driving [12.021166543643941]
  Image-to-Point Cloud Registrationは、所定の画像のカメラポーズを3Dシーンポイントクラウド内で推定することを目的としている。 最近の暗黙の対応学習法は、クロスモーダルアライメントを学習することで、登録性能を改善した。 我々は、DPA-I2P(Image-to-Point-Cloud Registration)のための奥行き誘導投影アライメントを提案する。
  論文  参考訳（メタデータ） (2026-08-27T04:01:15Z)
• A Height-Constrained 2-Point Minimal Solver for Pose Estimation from Active LED Markers with Event Cameras [51.7262911415172]
  本研究では,モーションキャプチャシステムから実世界のデータを集めるイベントベースアクティブマーカーシステムを開発した。 合成データと実データの両方の実験では、最先端のP2Pソルバよりも精度が向上した。
  論文  参考訳（メタデータ） (2026-08-10T12:19:24Z)
• CLAIM: Camera-LiDAR Alignment with Intensity and Monodepth [10.382931594335451]
  我々は,カメラとLiDARからデータを整列する新しい手法であるCLAIMを提案する。 画像とLiDAR点雲の初期推定とペアを考えると、CLAIMは粗い粒度探索法を用いて最適な変換を求める。 我々は、パブリックKITTI、データセット、MIAS-L CEC上でCLAIMを評価し、実験結果により、最先端の手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2025-12-16T01:46:24Z)
• Single-Frame Point-Pixel Registration via Supervised Cross-Modal Feature Matching [7.5461100059974315]
  本稿では,LiDARとカメラビュー間の直接点画像マッチングのための検出不要フレームワークを提案する。 具体的には、LiDARインテンシティマップをLiDARの観点から2次元ビューに投影し、注意に基づくマッチングネットワークに入力する。 マッチングの信頼性をさらに高めるために,事前にソフトな可視性として機能する再現性スコアリング機構を導入する。
  論文  参考訳（メタデータ） (2025-06-28T06:57:13Z)
• SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
  SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。 SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。 強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-03-25T17:59:57Z)
• EEPNet-V2: Patch-to-Pixel Solution for Efficient Cross-Modal Registration between LiDAR Point Cloud and Camera Image [15.975048012603914]
  カメラ画像とのマッチングのために,点雲を複数の2次元表現に投影するフレームワークを提案する。 画像マッチングタスクにおいて, クロスモーダル差とLiDAR点雲と画像との重複の制限に対処するために, マルチスケールの特徴抽出ネットワークを導入する。 我々は、KITTIおよびnuScenesデータセットの実験を通して、モデルの性能を検証する。
  論文  参考訳（メタデータ） (2025-03-19T15:04:01Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• 4D Contrastive Superflows are Dense 3D Representation Learners [62.433137130087445]
  我々は,LiDARとカメラのペアを連続的に利用して事前学習の目的を確立するための,新しいフレームワークであるSuperFlowを紹介する。 学習効率をさらに向上するため,カメラビューから抽出した知識の整合性を高めるプラグイン・アンド・プレイ・ビュー・一貫性モジュールを組み込んだ。
  論文  参考訳（メタデータ） (2024-07-08T17:59:54Z)
• UltraLiDAR: Learning Compact Representations for LiDAR Completion and Generation [51.443788294845845]
  我々は、シーンレベルのLiDAR補完、LiDAR生成、LiDAR操作のためのデータ駆動フレームワークであるUltraLiDARを提案する。 スパース点雲の表現を高密度点雲の表現に合わせることで、スパース点雲を密度化できることが示される。 個別のコードブック上で事前学習を行うことで、多種多様な現実的なLiDARポイントクラウドを自動走行のために生成できます。
  論文  参考訳（メタデータ） (2023-11-02T17:57:03Z)
• Gait Recognition in Large-scale Free Environment via Single LiDAR [35.684257181154905]
  深度を捉えるLiDARの能力は、ロボットの知覚にとって重要な要素であり、現実世界の歩行認識の可能性を秘めている。 本稿では,頑健な歩行認識のための階層型多表現特徴相互作用ネットワーク(HMRNet)を提案する。 LiDARに基づく歩行認識研究を容易にするため,大規模かつ制約のない歩行データセットであるFreeGaitを紹介した。
  論文  参考訳（メタデータ） (2022-11-22T16:05:58Z)
• Boosting 3D Object Detection by Simulating Multimodality on Point Clouds [51.87740119160152]
  本稿では,LiDAR 画像検出器に追従する特徴や応答をシミュレートすることで,単一モダリティ (LiDAR) 3次元物体検出器を高速化する新しい手法を提案する。 このアプローチでは、単一モダリティ検出器をトレーニングする場合のみ、LiDARイメージデータを必要とし、十分にトレーニングされた場合には、推論時にのみLiDARデータが必要である。 nuScenesデータセットの実験結果から,本手法はSOTA LiDARのみの3D検出器よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T01:44:30Z)
• LIF-Seg: LiDAR and Camera Image Fusion for 3D LiDAR Semantic Segmentation [78.74202673902303]
  本稿では,LiDAR分割のための粗大なLiDARとカメラフュージョンベースネットワーク(LIF-Seg)を提案する。 提案手法は,画像の文脈情報を完全に活用し,単純だが効果的な早期融合戦略を導入する。 これら2つのコンポーネントの協力により、効果的なカメラ-LiDAR融合が成功する。
  論文  参考訳（メタデータ） (2021-08-17T08:53:11Z)
• A Simple and Efficient Registration of 3D Point Cloud and Image Data for Indoor Mobile Mapping System [18.644879251473647]
  光画像による3次元LiDAR点雲の登録は、マルチソースデータの組み合わせにおいて重要である。 幾何学的ミスアライメントは元々、LiDAR点雲と光学画像の間のポーズデータに存在する。 我々は,初期ポーズの精度を向上させるため,シンプルだが効率的な登録方法を開発した。
  論文  参考訳（メタデータ） (2020-10-27T13:01:54Z)

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。