論文の概要: GRIP: Gaussian Rendering as a Cross-Modal Bridge for Image-to-Point Cloud Registration
- arxiv url: http://arxiv.org/abs/2609.25966v1
- Date: Tue, 22 Sep 2026 10:22:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.3183
- Title: GRIP: Gaussian Rendering as a Cross-Modal Bridge for Image-to-Point Cloud Registration
- Title（参考訳）: GRIP: イメージツーポイントクラウド登録のためのクロスモーダルブリッジとしてのガウスレンダリング
- Abstract要約: GRIPは、ピクセル間マッチングと2Dから3Dの登録のためのポーズ条件付き精細化フレームワークである。
RGB D Scenes V2および7 Scenesの実験は、アートインリア比と競合登録リコールの状態を実証している。
- 参考スコア（独自算出の注目度）: 2.6989517253058426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces GRIP, a pose-conditioned refinement framework for pixel-to-point matching and 2D to 3D registration. Given an initial coarse pose estimate, GRIP addresses the structural mismatch between grid based image descriptors and unordered point cloud descriptors by softly rendering learned 3D point features onto the image grid through Gaussian feature splatting. The rendered point derived feature map is then fused with image features by a pixel aligned transformer, enabling visual semantic and geometric cues to interact in a shared 2D representation. The refined features are decoded and propagated to finer resolutions for dense correspondence estimation and final pose refinement. Experiments on RGB D Scenes V2 and 7 Scenes demonstrate state of the art inlier ratio and competitive registration recall, with stronger performance under stricter evaluation thresholds.
- Abstract（参考訳）: 本稿では,画素間マッチングと2次元から3次元の登録のためのポーズ条件改善フレームワークGRIPを紹介する。
最初の粗いポーズ推定が与えられたとき、GRIPは、ガウス的特徴スプレイティングを通じて学習した3Dポイント特徴を画像グリッドにソフトレンダリングすることで、グリッドベースの画像記述子と非順序の点クラウド記述子の間の構造ミスマッチに対処する。
次に、描画された点導特徴写像を画素整列変換器で画像特徴と融合させ、視覚的意味と幾何学的手がかりを共有2次元表現で対話できるようにする。
精製された特徴は復号化され、より微細な解像度に伝播され、密度の高い対応推定と最終ポーズの精細化を行う。
RGB D Scenes V2および7 Scenesの実験では、より厳密な評価しきい値下でのより強い性能で、最先端のインリア比と競争的な登録リコールが示されている。
関連論文リスト
- InfiniSplat: Implicit Gaussian Decoding for Large-Baseline Monocular View Synthesis [49.87457834078904]
InfiniSplatはフィードフォワードのシングルイメージ3DGSフレームワークで、ピクセル整列表現から表面整列表現へ移行する。
InfiniSplatは、単一イメージのフィードフォワードベースラインと比較して最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-08-03T16:17:39Z) - Hg-I2P: Bridging Modalities for Generalizable Image-to-Point-Cloud Registration via Heterogeneous Graphs [26.54962387458329]
イメージ・ツー・ポイント・クラウド(I2P)登録は、信頼性の高い2D-3D対応を確立することで、2Dイメージを3Dポイント・クラウドに整列することを目的としている。
我々はHg-I2Pと呼ばれる不均一グラフ埋め込みI2P登録法を提案する。
クロスドメイン設定下での屋内および屋外の6つのベンチマーク実験により、Hg-I2Pは一般化と精度の両方で既存の手法よりも著しく優れていることが示された。
論文 参考訳（メタデータ） (2026-03-30T02:45:27Z) - GLASS: Geometry-aware Local Alignment and Structure Synchronization Network for 2D-3D Registration [31.27446797835971]
繰り返しパターンを持つシーンでは、画像には十分な3D構造的手がかりや点雲とのアライメントが欠如しており、不正確な一致につながっている。
本稿では,局所幾何拡張(LGE)モジュールとグラフ分散一貫性(GDC)モジュールの2つの新しいモジュールを提案する。
提案手法は,イメージ・ツー・ポイント・クラウド登録における最先端性能を実現する。
論文 参考訳（メタデータ） (2026-03-27T10:30:40Z) - 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) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳（メタデータ） (2022-12-17T15:05:25Z) - CorrI2P: Deep Image-to-Point Cloud Registration via Dense Correspondence [51.91791056908387]
我々は,CorrI2Pと呼ばれる画像間クラウドの登録問題に対処するための,機能に基づく最初の高密度対応フレームワークを提案する。
具体的には、3次元の点雲の前に2次元画像が1対あるとすると、まずそれらを高次元の特徴空間に変換し、特徴を対称的に重なり合う領域に変換して、画像点雲が重なり合う領域を決定する。
論文 参考訳（メタデータ） (2022-07-12T11:49:31Z) - P2-Net: Joint Description and Detection of Local Features for Pixel and
Point Matching [78.18641868402901]
この研究は、2D画像と3D点雲の微粒な対応を確立するための取り組みである。
画素領域と点領域の固有情報変動を緩和するために,新しい損失関数と組み合わせた超広帯域受信機構を設計した。
論文 参考訳（メタデータ） (2021-03-01T14:59:40Z)
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。