論文の概要: Unsupervised Point Cloud Registration via Training-Time Semantic Guidance

• arxiv url: http://arxiv.org/abs/2609.15228v1
• Date: Mon, 14 Sep 2026 08:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.19557
• Title: Unsupervised Point Cloud Registration via Training-Time Semantic Guidance
• Title（参考訳）: トレーニング時セマンティックガイダンスによる教師なしポイントクラウド登録
• Abstract要約: CAESARは、トレーニング中にのみ、市販の3Dセグメンテーションモデルによってガイドされる教師学生向けフレームワークである。 これに基づいて、列車のみのセマンティック・ジオメトリ・ラベル・マイニングが軽量でバッチ固有の教師のリファインメントを行い、信頼できる擬似ラベルをマイニングする。 KITTIとnuScenesの実験は、最先端のパフォーマンスを示し、挑戦的なnuScenesベンチマークで顕著に向上した。
• 参考スコア（独自算出の注目度）: 46.92635414824713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised registration of large-scale LiDAR point clouds remains challenging due to the geometric ambiguity inherent in outdoor scenes, which degrades pseudo-label quality and leads to suboptimal convergence, particularly for sparse, low-resolution scans such as those from nuScenes. We reveal that registration models intrinsically encode semantic awareness that strongly correlates with registration accuracy, albeit without explicit semantic supervision. However, this native awareness is fragile: noisy supervision arising from geometric ambiguity in unsupervised settings rapidly erodes the learned semantic structure, causing performance collapse. To this end, we propose CAESAR, a teacher-student framework guided by an off-the-shelf 3D segmentation model exclusively during training. We observe that potential inlier matches are often buried just beneath a few spurious neighbors in the noisy feature space, motivating Dual-Cue Guided Re-Matching to recover them through reselection rather than simply rejecting. Building on this, a train-only Semantic-Geometric Label Mining performs lightweight, batch-specific teacher refinement and mines reliable pseudo-labels under semantic guidance. We further introduce Semantic Predictive Distillation to consolidate the student's semantic awareness in the feature space. Extensive experiments on KITTI and nuScenes demonstrate state-of-the-art performance, with pronounced gains on the challenging nuScenes benchmark. Crucially, CAESAR incurs zero inference overhead and requires no semantic annotations on the registration data. Code will be released.
• Abstract（参考訳）: 大規模なLiDAR点雲の非監督的な登録は、屋外のシーンに固有の幾何学的曖昧さのため、疑似ラベルの品質を低下させ、特にnuScenesのような希薄で低解像度のスキャンにおいて、最適下限収束をもたらすため、依然として困難である。 登録モデルは,明示的な意味的監督を伴わないが,登録精度と強く相関する意味的認識を内在的に符号化する。 しかし、このネイティブな認識は脆弱で、教師なしの設定における幾何学的曖昧さから生じるノイズが学習された意味構造を急速に損なうため、性能が低下する。 そこで本研究では,市販の3Dセグメンテーションモデルによって指導された教職員用フレームワークであるCAESARを提案する。 ノイズの多い特徴空間のいくつかの急激な隣人のすぐ下に、潜在的な不整合がしばしば埋もれており、Dual-Cue Guided Re-Matchingは、単に拒否するのではなく、再選択によってそれらを回復する動機となっている。 これに基づいて、列車のみのセマンティック・ジオメトリ・ラベル・マイニングが軽量でバッチ固有の教師改良を行い、セマンティックガイダンスの下で信頼できる擬似ラベルをマイニングする。 さらにセマンティック予測蒸留を導入し,特徴空間における学生の意味的認識を強化した。 KITTIとnuScenesに関する大規模な実験は、最先端のパフォーマンスを示し、挑戦的なnuScenesベンチマークで顕著に向上した。 重要なことは、CAESARはゼロ推論オーバーヘッドを発生させ、登録データにセマンティックアノテーションを必要としない。 コードはリリースされる。

関連論文リスト

• GhostPoint: Self-Supervised Representation Learning by Hallucinating Occluded LiDAR Structure [58.617405464262646]
  LiDARポイントクラウドからの3Dオブジェクト検出は、自動運転における中核的な問題である。 自己教師付き学習(SSL)の最近の進歩は、スケーラブルな事前トレーニングとポイント単位のタスクへの転送を可能にしている。 我々は最近のSSL手法を解析し、ほとんどの目的が可視表面からのLiDAR戻り値にのみ定義されていることを発見した。 GhostPointはSSLフレームワークで、検出されたインスタンスの周辺で、潜伏する機能を幻覚させる。
  論文  参考訳（メタデータ） (2026-08-14T16:10:35Z)
• Weakly Supervised Incremental Segmentation via Semantic Anchors and Spatial Arbitration [8.498917049783191]
  SASAはセマンティックアンカーと空間配置によるセマンティック学習を安定化させるように設計されている。 表現レベルでは、学習可能なトークンのセマンティックアンカーを、長期的なセマンティックアイデンティティを保持するための厳密なクラスレベルの参照として導入する。 本研究では,信頼できない信号を直接フィルタリングし,厳密な「1つの対象,1つのクラス」制約を強制する空間ラベルアロケーション機構を開発する。
  論文  参考訳（メタデータ） (2026-06-02T12:10:46Z)
• EAUWSeg: Eliminating annotation uncertainty in weakly-supervised medical image segmentation [4.334357692599945]
  正確なピクセル間ラベルではなく、粗いアノテーションのみを必要とするため、弱く管理された医用画像のセグメンテーションが勢いを増している。 本稿では,その学習フレームワークEAUWSegと結合して,アノテーションの不確実性を排除した新しい弱いアノテーション手法を提案する。 EAUWSegは、既存の弱教師付きセグメンテーション法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-01-03T06:21:02Z)
• Mining and Transferring Feature-Geometry Coherence for Unsupervised Point Cloud Registration [23.909530805458605]
  そこで本研究では,INEGERと呼ばれる新規な教師なし登録手法を提案し,信頼性の高い擬似ラベルマイニングに高レベルのコンテキスト情報を組み込む。 具体的には,教師がトレーニング中のデータの各ミニバッチに対して動的に適応し,信頼性の高い擬似ラベルを発見するための特徴幾何コヒーレンスマイニングモジュールを提案する。 最後に、密度不変の特徴を学習するための混合密度学生を紹介し、屋外シナリオにおける密度変動と低重なりに関する課題に対処する。
  論文  参考訳（メタデータ） (2024-11-04T07:57:44Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)
• 2D Feature Distillation for Weakly- and Semi-Supervised 3D Semantic Segmentation [92.17700318483745]
  合成訓練された2Dセマンティックセマンティックセグメンテーションネットワークから高レベル特徴情報を蒸留するアイデアに基づく画像誘導ネットワーク(IGNet)を提案する。 IGNetは、ScribbleKITTI上の弱い教師付きLiDARセマンティックセマンティックセグメンテーションの最先端の結果を達成し、8%のラベル付きポイントしか持たない完全な教師付きトレーニングに対して最大98%のパフォーマンスを誇っている。
  論文  参考訳（メタデータ） (2023-11-27T07:57:29Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• Semi-supervised Left Atrium Segmentation with Mutual Consistency Training [60.59108570938163]
  3次元MR画像からの半教師付き左房分割のための新しいMultual Consistency Network(MC-Net)を提案する。 我々のMC-Netは1つのエンコーダと2つのわずかに異なるデコーダから構成されており、2つのデコーダの予測誤差は教師なしの損失として変換される。 我々は,公開左心房(la)データベース上でmc-netを評価し,ラベルなしデータを効果的に活用することで印象的な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-03-04T09:34:32Z)
• Scribble-Supervised Semantic Segmentation by Uncertainty Reduction on Neural Representation and Self-Supervision on Neural Eigenspace [21.321005898976253]
  Scribble-supervised セマンティックセグメンテーションは、最近、高品質のアノテーションのない有望なパフォーマンスで多くの注目を集めています。 この研究は、追加情報やその他の制限なしに直接スクリブルアノテーションによってセマンティックセグメンテーションを達成することを目的とする。 本稿では,神経表現におけるエントロピーの最小化とネットワーク埋め込みランダムウォークによる不確実性低減を含む総合的操作を提案する。
  論文  参考訳（メタデータ） (2021-02-19T12:33:57Z)
• Weakly Supervised Vessel Segmentation in X-ray Angiograms by Self-Paced Learning from Noisy Labels with Suggestive Annotation [12.772031281511023]
  自動血管拡張から発生するノイズの多い擬似ラベルから学習する弱教師付きトレーニングフレームワークを提案する。 ラベルノイズに対してトレーニングプロセスを堅牢化するために、典型的なセルフペースト学習方式が使用される。 提案手法は,完全教師付き学習に匹敵する精度を達成できることを示す。
  論文  参考訳（メタデータ） (2020-05-27T13:55:33Z)

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。