論文の概要: SHReg: Strictly Rotation-Equivariant Point Cloud Registration via Spherical Harmonics
- arxiv url: http://arxiv.org/abs/2607.23096v1
- Date: Sat, 25 Jul 2026 08:13:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.992496
- Title: SHReg: Strictly Rotation-Equivariant Point Cloud Registration via Spherical Harmonics
- Title（参考訳）: SHReg: 球高調波による厳密な回転同変点雲登録
- Abstract要約: 回転同変点クラウド登録フレームワークであるSHRegを提案する。
SHRegは、登録精度において、最先端の手法よりも一貫して優れていることを示す。
- 参考スコア（独自算出の注目度）: 3.911341147858216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud registration critically depends on local features that are both distinctive and robust to arbitrary 3D rotations. Existing learning-based methods typically approximate rotation invariance via fragile local reference frames or extensive data augmentation, providing only empirical invariance and often degrading under unseen rotational transformations. In this paper, we propose SHReg, a strictly rotation-equivariant point cloud registration framework grounded in the representation theory of $SO(3)$. By representing local geometric features as irreducible representations of $SO(3)$, SHReg guarantees exact equivariance under arbitrary rotations without relying on local reference frames. Built upon a spherical-harmonics-based equivariant backbone, SHReg jointly learns rotation-invariant descriptors for robust correspondence matching and rotation-equivariant features that preserve fine-grained orientation information. The preserved equivariant structure enables each correspondence to directly hypothesize a rigid transformation, reducing reliance on large-scale hypothesis sampling in conventional RANSAC-based pipelines and leading to improved robustness under challenging rotational variations. Extensive experiments on 3DMatch, 3DLoMatch, and KITTI demonstrate that SHReg consistently outperforms state-of-the-art methods in registration accuracy, particularly under large rotational perturbations.
- Abstract（参考訳）: ポイントクラウドの登録は、独特で、任意の3次元回転に頑健な局所的な特徴に大きく依存する。
既存の学習ベースの手法は通常、脆弱な局所参照フレームや広範なデータ拡張を通じて回転不変性を近似し、経験的不変性のみを提供し、しばしば目に見えない回転変換の下で劣化する。
本稿では,SO(3)$の表現理論に基づく厳密な回転同変点クラウド登録フレームワークであるSHRegを提案する。
局所幾何学的特徴を$SO(3)$の既約表現として表現することにより、SHRegは局所参照フレームに依存することなく任意の回転の下での正確な等式を保証する。
SHRegは球面調和に基づく同変バックボーン上に構築され、ロバスト対応マッチングのための回転不変ディスクリプタと、微粒な向き情報を保持する回転同変特徴を共同で学習する。
保存された同変構造により、各対応は剛体変換を直接仮定することができ、従来のRANSACパイプラインにおける大規模な仮説サンプリングへの依存を低減し、挑戦的な回転変動の下で堅牢性を向上させることができる。
3DMatch, 3DLoMatch, KITTIの広範囲な実験により、SHRegは、特に大きな回転摂動の下で、登録精度において、常に最先端の手法より優れていることが示された。
関連論文リスト
- Rotation-Invariant Multi-IMU Activity Recognition under Independent Per-Location Orientation Shifts [13.403260838673502]
在宅リハビリテーションや運動監視などの自己管理型ウェアラブルを備えたヒューマンアクティビティ認識(HAR)では、セッション間で慣性測定ユニット(IMU)を分離する必要があることが多い。
これは、従来のスカラーHARモデルが構造的に扱わないデプロイメントシフトである、ボディロケーション間の独立方向オフセットを誘導することができる。
本稿では、独立な位置ごとのIMU配向に対して堅牢性を実現する回転不変フレームワークTruly Rotation-Invariant HAR(TRI-HAR)について、構造モデル特性をオフセットする。
論文 参考訳（メタデータ） (2026-08-16T08:39:41Z) - GrainGS: Gradient-Decoupled Gaussian Splatting for Efficient Dynamic Novel View Synthesis [94.20462261657525]
GrainGSは階層的なアンカー足場とガウス単位の変形を組み合わせた動的フレームワークである。
高いリコンストラクション品質、リアルタイムの新規ビュー合成、コンパクトストレージを実現している。
論文 参考訳（メタデータ） (2026-07-23T15:52:35Z) - Rotation-Invariant Spherical Watermarking via Third-Order SO(3) Representation Coupling [28.45286547806906]
パノラマ画像の信頼性の高い透かしは、基本的に任意の3次元回転によって挑戦される。
球面信号としてパノラマを定式化し、$SO(3)$表現理論を利用して、証明可能な回転不変記述子を導出する。
論文 参考訳（メタデータ） (2026-05-26T08:43:40Z) - Enhancing Rotation-Invariant 3D Learning with Global Pose Awareness and Attention Mechanisms [30.575822636142956]
そこで我々は,学習された共有回転から得られる,一様に一貫した参照点(シャドウと呼ばれる)を持つローカルRI記述子を増強する,シャドウ・インフォームド・ポース・フィーチャー(SiPF)を紹介した。
また,SiPFを特徴集約プロセスに統合した注目ベースの演算子である,回転不変アテンション・コンボリューション(RIAttnConv)を提案する。
論文 参考訳（メタデータ） (2025-11-11T23:01:28Z) - Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。
現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。
本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-19T14:56:38Z) - PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration [8.668461141536383]
回転不変の特徴を学習することは、ポイントクラウド登録の基本的な要件である。
既存の手法では、回転に敏感なネットワークを用いて特徴を抽出し、回転拡大を用いて近似不変写像を無作為に学習する。
高速で軽量でロバストな登録のための位置認識型回転同変ネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-14T10:26:38Z) - Local-consistent Transformation Learning for Rotation-invariant Point Cloud Analysis [61.04787144322498]
ポイント形状解析のための局所一貫性変換(LocoTrans)学習戦略を提案する。
まず、LRFにおける2つの軸の対称性を考慮し、LCRF(Local-Consistent Reference frame)を構築する。
整合性は局所的にのみ存在するため、相対的なポーズ情報はネットワークの中間層で失われる。
論文 参考訳（メタデータ） (2024-03-17T06:40:50Z) - Rotation-Invariant Transformer for Point Cloud Matching [42.5714375149213]
我々は,回転不変変換器であるRoITrを導入し,点クラウドマッチングタスクにおけるポーズ変動に対処する。
本稿では,自己認識機構によって学習した,回転不変なクロスフレーム空間認識を備えたグローバルトランスフォーマーを提案する。
RoITrは、Inlier RatioとRegistration Recallの点で、既存のメソッドを少なくとも13と5のパーセンテージで上回っている。
論文 参考訳（メタデータ） (2023-03-14T20:55:27Z) - CRIN: Rotation-Invariant Point Cloud Analysis and Rotation Estimation
via Centrifugal Reference Frame [60.24797081117877]
CRIN,すなわち遠心回転不変ネットワークを提案する。
CRINは点の座標を直接入力として取り、局所点を回転不変表現に変換する。
点に基づく3次元回転の連続分布を導入する。
論文 参考訳（メタデータ） (2023-03-06T13:14:10Z) - PRIN/SPRIN: On Extracting Point-wise Rotation Invariant Features [91.2054994193218]
点群解析における回転不変特徴抽出に着目した点集合学習フレームワークPRINを提案する。
さらに、PRINをスパースポイントクラウド上で直接動作するSPRINと呼ばれるスパースバージョンに拡張します。
その結果、ランダムに回転した点群を持つデータセットでは、SPRINはデータ拡張なしで最先端の方法よりも優れたパフォーマンスを発揮します。
論文 参考訳（メタデータ） (2021-02-24T06:44:09Z) - A Rotation-Invariant Framework for Deep Point Cloud Analysis [132.91915346157018]
ネットワーク入力時に一般的な3次元カルト座標を置き換えるために,新しい低レベル純粋回転不変表現を導入する。
また,これらの表現を特徴に組み込むネットワークアーキテクチャを提案し,点とその近傍の局所的関係とグローバルな形状構造を符号化する。
本手法は, 形状分類, 部分分割, 形状検索を含む多点雲解析タスクにおいて評価する。
論文 参考訳（メタデータ） (2020-03-16T14:04:45Z)
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。