論文の概要: DINE: Distance Is Not Enough -- Learning Global Deformation Priors for Robust Soft-Tissue Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2607.14946v1
• Date: Thu, 16 Jul 2026 12:56:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.115508
• Title: DINE: Distance Is Not Enough -- Learning Global Deformation Priors for Robust Soft-Tissue Point Cloud Registration
• Title（参考訳）: DINE: 距離は十分ではない-ロバストなソフトタスクポイントクラウド登録のためにグローバルな変形を前倒しに学ぶ
• Abstract要約: 我々は、DINEを用いて距離ベース登録を学習された統計的事前変位ベクトル場で拡張する。 DeformedTissue と SynBench の実験では, 変形および破壊下での平均Chamfer 距離が低かった。 これらの結果から, 大域的変形確率は, 信頼性の高い軟部点雲登録に重要な制約となることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-rigid point cloud registration is central to soft-tissue shape analysis, but large deformations, noise, and outliers make correspondence estimation challenging. Most learning-based methods rely on local objectives such as Chamfer distance, which encourage point-wise proximity but do not constrain the global plausibility of the predicted deformation field. We address this limitation with DINE, a maximum a posteriori framework that augments distance-based registration with a learned statistical prior over displacement vector fields. DINE is applied to two registration backbones, Robust-DefReg and DefTransNet, using a two-stage strategy: a first-stage model is trained with Chamfer distance, its predicted deformation fields are used to estimate a prior, and the model is then refined with a combined distance and negative log-prior objective. We compare a full-field PCA Gaussian prior with a per-vector normalizing-flow prior. Experiments on DeformedTissue and SynBench show lower mean Chamfer distance under deformation and corruption. On DeformedTissue, DINE-PCA reduces Chamfer distance by approximately 27--69\% relative to the corresponding Stage-1 backbone across deformation levels, and improves robustness by up to 66\% for outliers and 83\% for Gaussian noise. On SynBench, improvements are modest at the smallest deformation levels and reach approximately 59--79\% from moderate to severe deformation. These results suggest that global deformation plausibility is an important constraint for reliable soft-tissue point cloud registration. (The code will be published soon.)
• Abstract（参考訳）: 非剛性点雲の登録は軟部形状解析の中心であるが, 大きな変形, ノイズ, 外れ値の対応推定は困難である。 学習に基づくほとんどの手法はチャムファー距離のような局所的な目的に依存しており、これは点の近さを奨励するが、予測された変形場の大域的妥当性を制約しない。 この制限をDINEにより解決する。DINEは、移動ベクトル場上の統計的事前学習により、距離ベースでの登録を増大させる最大化のフレームワークである。 DINEは2段階の戦略を用いてRobust-DefRegとDefTransNetの2つの登録バックボーンに適用される: 第一段階のモデルがチャンファー距離で訓練され、予測された変形場が先行推定に使用され、そのモデルが結合した距離と負の対数優先目的で洗練される。 実フィールドPCAガウス前とベクトルごとの正規化前とを比較した。 DeformedTissue と SynBench の実験では, 変形および破壊下での平均Chamfer 距離が低かった。 DeformedT Issueでは、DINE-PCAは、対応するStage-1バックボーンの変形レベルに対して、Chamfer距離を約27-69 %削減し、アウトレーヤでは66 %、ガウスノイズでは83 %まで堅牢性を向上させる。 SynBenchでは、最小の変形レベルでは改善は控えめであり、中程度の変形から厳しい変形まで約59--79\%に達する。 これらの結果から, 大域的変形確率は, 信頼性の高い軟部点雲登録に重要な制約となることが示唆された。 (まもなく公開予定)

関連論文リスト

• Predicting Deep Neural Network Training Outcomes from Early Training Telemetry [2.310157248304176]
  我々は,1つのトレーニングランの早期テレメトリが,他のランに言及することなく,そのランの最終的な結果を予測することができるかどうかを調査する。 23,788のトレーニングは、6つのアーキテクチャ/データセットの組み合わせにまたがって実行され、最初の5つのテレメトリのエポックだけが最終精度の回帰のためにR2 = 0.92-0.99を達成する。 これらの結果から,早期学習テレメトリは計算割当のための実用的な意思決定支援信号を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2026-08-04T14:13:21Z)
• Harnessing the Potential of Optimizing Data Mixtures via Bayesian Domain Reweighting [63.86964530167364]
  本稿では,ダイリクレ分布からの重み付けを,観測から得られたガンマ事前情報を用いて推定するベイズ領域重み付け手法を提案する。 実験により,提案手法は安定かつ効率的な領域重み付け学習を実現し,探索に基づく関数適合法よりもはるかに少ないデータを消費し,大規模アプリケーションにおいて最適化に基づく領域重み付けを活性化する。
  論文  参考訳（メタデータ） (2026-07-30T09:41:02Z)
• ERNet: Efficient Non-Rigid Registration Network for Point Sequences [39.21668224811387]
  非剛性変形中の点雲列の登録にスケーラブルなデータ駆動方式を導入する。 一貫性のある登録を効果的に活用しながら、ノイズや部分的な入力を処理するように設計されている。
  論文  参考訳（メタデータ） (2025-10-17T16:25:00Z)
• Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark [57.42211080221526]
  異なるセンサーからのポイントクラウドデータを整列することを目的とした、クロスソースのポイントクラウド登録は、3Dビジョンの基本的なタスクである。 ディープ登録モデルをトレーニングするための大規模な実世界のデータセットが公開されていないことや、複数のセンサーによってキャプチャされたポイントクラウド固有の違いが課題となっている。 現在世界最大のマルチモーダル・クロスソース・クラウド登録データセットであるCross3DRegを構築している。 クロスソース・ポイント・クラウド機能の整合性を高めるために,ビジュアル・ジオメトリ・アテンションガイド付きマッチングモジュールを提案する。
  論文  参考訳（メタデータ） (2025-09-08T09:01:13Z)
• A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
  観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。 既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。 ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
  論文  参考訳（メタデータ） (2025-01-15T15:58:16Z)
• Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
  ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。 本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。 本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-05T18:59:41Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Robust-DefReg: A Robust Deformable Point Cloud Registration Method based on Graph Convolutional Neural Networks [0.0]
  本稿では,グラフ畳み込みネットワーク(GCNN)に基づくロバスト・デフレグを提案する。 提案手法は計算効率を保ちながら大変形の高精度化を実現する。
  論文  参考訳（メタデータ） (2023-06-07T18:08:11Z)
• 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)
• CATRE: Iterative Point Clouds Alignment for Category-level Object Pose Refinement [52.41884119329864]
  カテゴリーレベルのオブジェクトポーズとサイズ精細化器 CATRE は、点雲からのポーズ推定を反復的に強化し、正確な結果が得られる。 提案手法は,REAL275,CAMERA25,LMのベンチマークを85.32Hzまで高速化する。
  論文  参考訳（メタデータ） (2022-07-17T05:55:00Z)
• Learning to Register Unbalanced Point Pairs [10.369750912567714]
  最近の3D登録法は,大規模あるいは部分的に重複する点対を効果的に扱うことができる。 非平衡点対に対する新しい3次元登録手法であるUPPNetを提案する。
  論文  参考訳（メタデータ） (2022-07-09T08:03:59Z)
• Unsupervised Diffeomorphic Surface Registration and Non-Linear Modelling [4.761477900658674]
  低次元確率変形モデル(PDM)を内包する3次元曲面の1段階登録モデルを提案する。 変形は、指数層を用いて微分同相に制約される。 1段階の登録モデルは反復的手法に対してベンチマークされ、高いコンパクト性に適合する形状でわずかに低い性能で取引される。
  論文  参考訳（メタデータ） (2021-09-28T11:47:12Z)
• Unsupervised Deep-Learning Based Deformable Image Registration: A Bayesian Framework [0.0]
  非教師付きDLに基づく変形可能な画像登録のための完全にベイズ的なフレームワークを提案する。 提案手法は,真の後部分布を特徴付ける手段を提供する。 提案手法は, 平均二乗誤差を改良した手法により, 変形場の推定精度を向上する。
  論文  参考訳（メタデータ） (2020-08-10T08:15:49Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。