論文の概要: Ex-Sim(3)-Reg: 2D-3D Correspondence Pruning via Extended Sim(3) Registration
- arxiv url: http://arxiv.org/abs/2608.28096v1
- Date: Fri, 28 Aug 2026 09:02:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.260357
- Title: Ex-Sim(3)-Reg: 2D-3D Correspondence Pruning via Extended Sim(3) Registration
- Title（参考訳）: Ex-Sim(3)-Reg:Extended Sim(3)レジストレーションによる2D-3D対応プルーニング
- Authors: Pei An, Muyao Peng, Junfeng Ding, Jiaqi Yang, Liangliang Nan,
- Abstract要約: 高速でロバストな2D-3D対応プルーニング法が望ましい。
有望なスキームは、深度事前を用いて2D-3D対応を3D-3D対応に引き上げ、Sim(3)登録問題としてプルーニングをキャストする。
本稿では、拡張Sim(3)登録問題として対応プルーニングを再構成し、シンプルで効果的なプルーニングアルゴリズムEx-Sim(3)-Regを提案する。
- 参考スコア（独自算出の注目度）: 18.156633369321305
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning-based image-to-point-cloud (I2P) registration has garnered increasing attention in recent years. Nevertheless, existing methods still struggle with severe outliers under challenging scenarios with unseen, low-inlier, or distorted cases. A fast and robust 2D-3D correspondence pruning method is therefore highly desirable. Recently, a promising scheme lifts 2D-3D correspondences to 3D-3D correspondences using depth priors, casting correspondence pruning as a Sim(3) registration problem. However, depth priors estimated from monocular images are inherently noisy, which undermines the reliability of this scheme. In this paper, to explicitly model non-negligible depth noise, we reformulate correspondence pruning as an extended Sim(3) registration problem and propose a simple yet effective pruning algorithm termed Ex-Sim(3)-Reg. We further provide a theoretical analysis to justify the effectiveness of our method. Extensive experiments on the 7-Scenes, RGBD-V2, ScanNet, and TUM datasets demonstrate that Ex-Sim(3)-Reg achieves up to \textbf{24.7\% improvement} in registration recall over state-of-the-art baseline methods. Code is released at github.com/anpei96/ex-sim3-demo
- Abstract（参考訳）: 学習ベースのイメージ・ツー・ポイント・クラウド(I2P)登録は近年注目を集めている。
それでも、既存の手法は、目に見えない、低い、または歪んだケースの挑戦的なシナリオの下で、厳しい外れ値に苦しむ。
したがって、高速で頑健な2D-3D対応プルーニング法が望ましい。
近年,2D-3D対応を3D-3D対応に引き上げ,Sim(3)登録問題としてプルーニングをキャストする手法が提案されている。
しかし、単分子画像から推定される深度先行は本質的にノイズが多く、このスキームの信頼性を損なう。
本稿では,非無視深度雑音を明示的にモデル化するために,拡張Sim(3)登録問題として対応プルーニングを再構成し,Ex-Sim(3)-Regと呼ばれる単純かつ効果的なプルーニングアルゴリズムを提案する。
さらに,本手法の有効性を正当化するための理論的解析を行う。
7-Scenes、RGBD-V2、ScanNet、TUMデータセットの大規模な実験により、Ex-Sim(3)-Regは、最先端のベースラインメソッドに対する登録リコールにおいて、最大で \textbf{24.7\%改善された。
github.com/anpei96/ex-sim3-demoでコードがリリースされる
関連論文リスト
- Free Geometry: Refining 3D Reconstruction from Longer Versions of Itself [38.95274911975506]
Free Geometryは、フィードフォワードの3D再構成モデルが3D基底の真理なしにテスト時に自己進化することを可能にするフレームワークである。
当社のアプローチは、4つのベンチマークデータセットにまたがって、Depth Anything 3やVGGTといった最先端の基礎モデルを継続的に改善しています。
論文 参考訳（メタデータ） (2026-04-15T16:24:03Z) - S2D: Sparse to Dense Lifting for 3D Reconstruction with Minimal Inputs [53.597239706600455]
Sparse to Dense lifting (S2D)は、2つの表現をブリッジし、最小限の入力で高品質な3DGS再構成を実現するパイプラインである。
実験により、S2Dは、異なる入力空間下で、新しいビューガイダンスと第1階層のスパースビュー再構成品質を生成する際に、最良の整合性を達成することが示された。
論文 参考訳（メタデータ） (2026-03-11T15:37:20Z) - PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。
本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
論文 参考訳（メタデータ） (2024-10-29T15:28:15Z) - CheckerPose: Progressive Dense Keypoint Localization for Object Pose
Estimation with Graph Neural Network [66.24726878647543]
単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。
近年の研究では、高密度対応型解の大きな可能性を示している。
そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-29T17:30:53Z) - Multi-initialization Optimization Network for Accurate 3D Human Pose and
Shape Estimation [75.44912541912252]
我々はMulti-Initialization Optimization Network(MION)という3段階のフレームワークを提案する。
第1段階では,入力サンプルの2次元キーポイントに適合する粗い3次元再構成候補を戦略的に選択する。
第2段階では, メッシュ改質トランス (MRT) を設計し, 自己保持機構を用いて粗い再構成結果をそれぞれ洗練する。
最後に,RGB画像の視覚的証拠が与えられた3次元再構成と一致するかどうかを評価することで,複数の候補から最高の結果を得るために,一貫性推定ネットワーク(CEN)を提案する。
論文 参考訳（メタデータ） (2021-12-24T02:43:58Z) - Exemplar Fine-Tuning for 3D Human Model Fitting Towards In-the-Wild 3D
Human Pose Estimation [107.07047303858664]
3次元の地平線アノテーションを持つ大規模な人的データセットは、野生では入手が困難である。
既存の2Dデータセットを高品質な3Dポーズマッチングで拡張することで、この問題に対処する。
結果として得られるアノテーションは、3Dのプロシージャネットワークをスクラッチからトレーニングするのに十分である。
論文 参考訳（メタデータ） (2020-04-07T20:21:18Z)
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。