論文の概要: R-SLPR: Region-based Small-to-Large Point-cloud Registration with Contrastive Learning
- arxiv url: http://arxiv.org/abs/2607.26583v1
- Date: Wed, 29 Jul 2026 08:01:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.577059
- Title: R-SLPR: Region-based Small-to-Large Point-cloud Registration with Contrastive Learning
- Title（参考訳）: R-SLPR: コントラスト学習による地域ベースの小規模から大規模ポイントクラウド登録
- Authors: Yusen Wan, Zeyuan Chen, Qianshi Zou, Xu Chen,
- Abstract要約: 地域ベースの小規模クラウドレジストラ・オン・フレームワーク(R-SLPR)
R-SLPRは、スケールミスマッチされた登録問題を、地域提案、地域マッチング、反復的洗練のシーケンスに再構成する新しい3段階アーキテクチャである。
これは新しい最先端の精度基準を確立し、従来のアプローチより優れ、位置と回転の平均絶対誤差(MAE)はそれぞれ0.009と1.104に大幅に減少する。
- 参考スコア（独自算出の注目度）: 15.14722466963284
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Point-cloud (PC) registration is fundamental to three-dimensional (3D) perception in robotic systems. However, classic registration algorithms falter when aligning a source PC containing limited, incomplete, or ambiguous geometric cues against a reference. This challenge of registering a small, partial PC to a significantly larger global reference is pervasive in real-world deployment yet remains insufficiently addressed by existing learning-based approaches, which typically assume comparable scales and significant overlap. To bridge this gap, we propose the Region-based Small-to-Large Point-cloud Registra- tion framework (R-SLPR), a novel three-stage architecture that fundamentally reformulates the scale-mismatched registration problem into a sequence of region proposal, regional matching, and iterative refinement. Unlike conventional methods that fail to localize specific regions, R-SLPR explicitly identifies candidate regions prior to estimating rigid transformations, ensuring robust alignment even under severe scale mismatch. The framework introduces a Fibonacci Grid Segmentation method coupled with a contrastive learning objective to effectively generate and match local geometric patches. Building on this, a novel Cascade Anchor Selection and Refinement algorithm iteratively aligns the source with the target region to maximize precision. Extensive evaluation on ModelNet40 demonstrates that R-SLPR establishes a new state-of-the-art accuracy standard, outperforming prior approaches and significantly reducing position and rotation Mean Absolute Error (MAE) to 0.009 and 1.104, respectively.
- Abstract（参考訳）: ポイントクラウド(PC)の登録は、ロボットシステムにおける3次元の知覚の基本である。
しかし、古典的な登録アルゴリズムは、制限された、不完全な、または曖昧な幾何学的手がかりを含むソースPCを参照に対して整列する際には、フェールする。
小規模な部分的なPCをより大規模なグローバル参照に登録するというこの課題は、現実世界の展開において広く普及しているが、既存の学習ベースのアプローチでは未解決のままである。
このギャップを埋めるために、我々は、スケールミスマッチした登録問題を、地域提案、地域マッチング、反復的改善のシーケンスに根本的に再構成する新しい3段階アーキテクチャである、リージョンベースの小規模クラウドレジストラ・オン・フレームワーク(R-SLPR)を提案する。
特定の領域のローカライズに失敗する従来の手法とは異なり、R-SLPRは厳密な変換を推定する前の候補領域を明確に特定し、大規模なミスマッチでもロバストなアライメントを確保する。
このフレームワークは、Fibonacci Grid Segmentation法と対照的な学習目標を組み合わせることで、局所的な幾何学的パッチを効果的に生成し、マッチングする。
これに基づいて、新しいカスケードアンカー選択精製アルゴリズムは、ソースを目標領域と反復的に整列させ、精度を最大化する。
ModelNet40の広範囲な評価は、R-SLPRが新しい最先端の精度基準を確立し、従来のアプローチよりも優れ、位置と回転の絶対誤差(MAE)をそれぞれ0.009と1.104に大幅に低減していることを示している。
関連論文リスト
- Accelerating Robot Path Planning via Connectivity-Preserving Region Proposal Network [5.81838331663612]
移動ロボット経路計画法は、しばしば広大な探索空間によって制約され、サンプリングベースアルゴリズムの遅延が発生する。
本稿では,コンパクトでトポロジカルに連結した候補領域の予測を目的としたセグメンテーション誘導モデルであるCP-RPNを提案する。
論文 参考訳（メタデータ） (2026-05-27T11:59:03Z) - 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) - OCMG-Net: Neural Oriented Normal Refinement for Unstructured Point Clouds [18.234146052486054]
非構造点雲から指向性正規項を推定するための頑健な精錬法を提案する。
我々のフレームワークは、初期指向の正規性を洗練させるために、特徴空間に符号配向とデータ拡張を組み込んでいる。
従来手法に存在した騒音による方向の不整合の問題に対処するため, チャンファー正規距離と呼ばれる新しい指標を導入する。
論文 参考訳（メタデータ） (2024-09-02T09:30:02Z) - Batch Normalization in Cytometry Data by kNN-Graph Preservation [0.0]
Time-of-Flight(CyTOF)データによる高次元サイトメトリーにおけるバッチ効果は、比較分析の課題である。
従来のバッチ正規化法は、細胞集団に固有の複雑なトポロジカル構造を保存できない可能性がある。
本稿では,CyTOFデータのバッチ正規化に特化した,残差ニューラルネットワークを用いたポイントセット登録手法を提案する。
論文 参考訳（メタデータ） (2023-03-31T18:06:26Z) - A Deep-Discrete Learning Framework for Spherical Surface Registration [4.7633236054762875]
皮質表面の登録は神経画像解析の基本的なツールである。
本稿では,登録を多ラベル分類問題に変換する,教師なし学習に基づく新しいフレームワークを提案する。
実験により,提案するフレームワークは,最もポピュラーな古典的表面登録アルゴリズムと比較して,類似性やアラル歪みの点で競合的に動作することが示された。
論文 参考訳（メタデータ） (2022-03-24T11:47:11Z) - Locally Aware Piecewise Transformation Fields for 3D Human Mesh
Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。
パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文 参考訳（メタデータ） (2021-04-16T15:16:09Z) - 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) - Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。
本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。
実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文 参考訳（メタデータ） (2020-07-20T12:07:48Z) - Unsupervised Learning of 3D Point Set Registration [15.900382629390297]
点雲登録は、幾何変換を探索することで一対の点集合を整列する過程である。
本稿では,新たに導入された深部空間相関表現(SCR)機能に基づく,新しい教師なし登録フレームワークであるDeep-3DAlignerを提案する。
提案手法は,まずランダムに遅延するSCR特徴量を最適化し,次に幾何変換に復号し,ソースとターゲットの点集合を整列させる。
論文 参考訳（メタデータ） (2020-06-11T05:21:38Z) - LRC-Net: Learning Discriminative Features on Point Clouds by Encoding
Local Region Contexts [65.79931333193016]
本稿では,LRC-Net(Local-Region-Context Network)を提案する。
LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。
その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
論文 参考訳（メタデータ） (2020-03-18T14:34:08Z) - 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。