論文の概要: PARTE: Plane-Assisted Robust Transformation Estimation for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2609.25375v2
• Date: Wed, 23 Sep 2026 23:17:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.31031
• Title: PARTE: Plane-Assisted Robust Transformation Estimation for Point Cloud Registration
• Title（参考訳）: PartE: ポイントクラウド登録のための平面支援ロバスト変換推定
• Abstract要約: 平面領域は、従来の点記述子にとって特に困難である。 本研究では,計画構造を補完的な登録証拠として扱うグローバルな登録方法であるPartEを提案する。 Parteは13の標準および最先端の手法に対して、全体的な成功率が最も高い。
• 参考スコア（独自算出の注目度）: 0.8547042933482643
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Global point-cloud registration remains challenging when limited overlap, repetitive geometry, and sensor noise produce correspondence sets dominated by outliers. Planar regions are particularly difficult for conventional point descriptors and are therefore often suppressed or discarded before matching. We present PARTE (Plane-Assisted Robust Transformation Estimation), a global registration method that instead treats planar structure as complementary registration evidence. PARTE extracts planar patches and represents them using our novel Plane Context Histogram (PCH), a descriptor that encodes the geometry surrounding each patch, while a two-level matching procedure identifies reliable plane correspondences. Candidate point and plane correspondences are combined in a confidence-weighted compatibility graph for joint outlier rejection, followed by rigid transformation estimation. When no usable plane correspondences are available, PARTE naturally reduces to point-only registration. We evaluate PARTE on 8,097 registration pairs across six indoor and outdoor benchmarks spanning dense RGB-D and sparse LiDAR measurements. Evaluations show PARTE achieves the highest overall success rate against 13 standard and state-of-the-art methods while maintaining low runtime. An open-source C++ implementation with Python bindings is provided at https://ariarobotics.github.io/parte/.
• Abstract（参考訳）: 地球上の点雲の登録は、重複が限られ、繰り返し幾何やセンサノイズが外れ値に支配される対応セットを生成する場合、依然として困難である。 平面領域は、従来の点記述子では特に困難であり、一致する前にしばしば抑制または破棄される。 本研究では,計画構造を補完的な登録証拠として扱うグローバルな登録手法であるPartE(Plane-Assisted Robust Transformation Estimation)を提案する。 PartEは平面パッチを抽出し,各パッチを取り巻く幾何学を符号化する記述子であるPlane Context Histogram (PCH)を用いて表現する。 候補点と平面対応は、信頼度重み付き互換性グラフに組み合わされ、連立外接拒否と剛性変換推定が続く。 使用可能な平面対応が得られない場合、PartEは自然にポイントのみの登録に還元される。 我々は,高密度RGB-Dおよび疎LiDAR測定を対象とし,室内および屋外の6つのベンチマークで8,097の登録ペアについてParteeを評価した。 PartEの評価は、低ランタイムを維持しながら、13の標準および最先端のメソッドに対して、全体的な成功率が最も高いことを示している。 Pythonバインディングを備えたオープンソースのC++実装がhttps://ariarobotics.github.io/parte/.comで公開されている。

関連論文リスト

• PKSS-Align: Robust Point Cloud Registration on Pre-Kendall Shape Space [15.151282762403305]
  提案手法では,PKSS,テキストカラーブラックは形状測定に基づく手法であり,点間距離や点間距離を必要としない。 単純な並列加速度に基づいて、実際は効率と実現可能性を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2025-08-06T10:17:42Z)
• Fully-Geometric Cross-Attention for Point Cloud Registration [51.865371511201765]
  ポイントクラウド登録のアプローチは、ノイズのあるポイント対応のため、ポイントクラウド間の重なりが低いときに失敗することが多い。 この問題に対処するTransformerベースのアーキテクチャに適した,新たなクロスアテンション機構を導入する。 我々はGromov-Wasserstein距離をクロスアテンションの定式化に統合し、異なる点雲間の点間距離を共同計算する。 点レベルでは,局所的な幾何学的構造情報を細かなマッチングのための点特徴に集約する自己認識機構も考案する。
  論文  参考訳（メタデータ） (2025-02-12T10:44:36Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid 3D Registration [77.13381026159111]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• A Unified BEV Model for Joint Learning of 3D Local Features and Overlap Estimation [12.499361832561634]
  本稿では,3次元局所特徴の同時学習と重なり推定のための統合鳥眼ビュー(BEV)モデルを提案する。 提案手法は,特に重複の少ないシーンにおいて,重複予測における既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-28T12:01:16Z)
• GraffMatch: Global Matching of 3D Lines and Planes for Wide Baseline LiDAR Registration [41.00550745153015]
  線や平面のような幾何学的ランドマークを使用することで、ナビゲーションの精度を高め、マップストレージの要求を低減できる。 しかし、ループクロージャ検出のようなアプリケーションに対するランドマークベースの登録は、信頼できる初期推定ができないため、難しい。 3次元直線と平面を表すアフィングラスマン多様体を採用し、2つのランドマーク間の距離が回転と変換に不変であることを証明する。
  論文  参考訳（メタデータ） (2022-12-24T15:02:15Z)
• 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)
• REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
  我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。 本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。 提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-28T06:01:00Z)
• Deep Hough Voting for Robust Global Registration [52.40611370293272]
  6次元変換パラメータ空間におけるハフ投票を利用した実世界の3Dスキャンのペア登録のための効率的なフレームワークを提案する。 提案手法は, 3DMatch と 3DLoMatch のベンチマークにおいて, KITTI odometry データセットで同等の性能を達成しながら, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-09-09T14:38:06Z)
• Plane Pair Matching for Efficient 3D View Registration [7.920114031312631]
  室内シーンにおける重なり合う3次元ビュー間の動き行列を推定する新しい手法を提案する。 マンハッタンの世界仮定を用いて、平面の四角形の下での軽量な幾何学的制約を問題に導入する。 我々は,玩具の例にアプローチを検証し,最近の最先端手法と比較し,公開RGB-Dデータセットの定量的実験を行った。
  論文  参考訳（メタデータ） (2020-01-20T11:15:26Z)

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。