論文の概要: Superquadric Primitive Decomposition of 3D point clouds via Geometric-Aware Inlier Refinement

• arxiv url: http://arxiv.org/abs/2609.35725v1
• Date: Mon, 28 Sep 2026 17:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 19:20:54.447067
• Title: Superquadric Primitive Decomposition of 3D point clouds via Geometric-Aware Inlier Refinement
• Title（参考訳）: 幾何学的認識インリエ微細化による3次元点雲のスーパークアッドリック原始分解
• Abstract要約: 局所的な表面特性を具備プロセスに明示的に組み込んだ,原始的分解のための幾何学的枠組みを提案する。 我々の定式化は、正規整合のような幾何学的先行を統合し、より信頼性の高い不整合選択を可能にする。 合成データセットと実データセットの実験では、幾何的精度、雑音や外周に対する堅牢性、収束効率が一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 46.04121477282439
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The decomposition of 3D point clouds into interpretable geometric primitives remains a longstanding challenge in Computer Vision and Computer Graphics. Among the available representations, superquadrics offer a compact and expressive model capable of capturing a wide range of shapes. However, their estimation is inherently challenging, as it requires solving a non-linear optimization problem and is particularly sensitive to noise, outliers, and overlapping structures. While robust estimation methods such as RANSAC and its variants achieve strong performance, they rely primarily on spatial proximity and residual-based criteria, often leading to incorrect inlier assignments across adjacent or complex arrangements of primitives. In this work, we introduce a geometric-aware framework for primitive decomposition that explicitly incorporates local surface properties into the fitting process. Specifically, we propose an inlier refinement step formulated as an energy minimization problem and solved via graph-cut optimization. Our formulation integrates geometric priors, such as normal consistency, enabling more reliable inlier selection beyond purely residual-based criteria. The approach naturally applies to both single-model estimation and multi-model decomposition. By leveraging geometric information beyond point-wise residuals, our method reduces erroneous inlier propagation and stabilizes parameter estimation. Experiments on synthetic and real datasets show consistent improvements in geometric accuracy, robustness to noise and outliers, and convergence efficiency compared to state-of-the-art RANSAC-based methods.
• Abstract（参考訳）: 3次元点雲を解釈可能な幾何学的原始体に分解することは、コンピュータビジョンとコンピュータグラフィックスにおける長年の課題である。 利用可能な表現のうち、スーパークワッドリックは、幅広い形状を捉えることができるコンパクトで表現力のあるモデルを提供する。 しかし、それらの推定は、非線形最適化問題を解く必要があり、特にノイズ、外れ値、重なり合う構造に敏感であるため、本質的に困難である。 RANSACやその変種のようなロバストな推定手法は強い性能を達成するが、それらは主に空間的近接性や残差に基づく基準に依存しており、しばしば隣り合うあるいは複雑なプリミティブの配置に不正確な不整合割り当てをもたらす。 そこで本研究では,局所的な表面特性を具象化プロセスに明示的に組み込む,原始的分解のための幾何学的枠組みを提案する。 具体的には、エネルギー最小化問題として定式化され、グラフカット最適化によって解決される不整合精製ステップを提案する。 我々の定式化は、正規整合のような幾何学的先行を統合し、純粋に残基基準を超えたより信頼性の高い不整合選択を可能にする。 このアプローチは、単モデル推定と多モデル分解の両方に自然に適用できる。 点次残差を超えた幾何情報を活用することにより,不整合伝播を低減し,パラメータ推定を安定化する。 合成データセットと実データセットの実験は、最先端のRANSACベースの手法と比較して、幾何精度、ノイズと外れ値に対する堅牢性、収束効率が一貫した改善を示している。

関連論文リスト

• RODR: Riemannian Orthogonally Decoupled Regularization for Disentangled Manifold Representation [0.91963810502252]
  本稿では,点クラウド処理における不整合幾何最適化のための汎用的・解釈可能なフレームワークを提案する。 実験により、RODRは最先端のベースラインに匹敵する性能に達することが示された。
  論文  参考訳（メタデータ） (2026-07-27T03:12:14Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Fréchet Regression on the Bures-Wasserstein Manifold [2.3204178451683264]
  フレシェ回帰(フレシェ回帰、Fréchet regression)は、一般距離空間上の共変数間の関係をモデル化するためのフレキシブルなフレームワークである。 本稿では,距離空間の回帰範囲を特徴付ける条件付きバリセンタ問題に対するアルゴリズムを提案する。 また、大規模なセットアップにアルゴリズムを使用するためのオフ・ザ・シェルフ方式も提供する。
  論文  参考訳（メタデータ） (2026-04-04T03:20:19Z)
• sparseGeoHOPCA: A Geometric Solution to Sparse Higher-Order PCA Without Covariance Estimation [8.802387139798808]
  本稿では,高次主成分分析(SHOPCA)のための新しいフレームワークを提案する。 本稿では,SparseGeoHOPが高次元画像設定とImageNet上でサポートされていることを示す。
  論文  参考訳（メタデータ） (2025-06-10T10:30:48Z)
• SIGMA: Scale-Invariant Global Sparse Shape Matching [50.385414715675076]
  非剛体形状の正確なスパース対応を生成するための新しい混合整数プログラミング(MIP)法を提案する。 いくつかの挑戦的な3Dデータセットに対して,スパースな非剛性マッチングの最先端結果を示す。
  論文  参考訳（メタデータ） (2023-08-16T14:25:30Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Robust and Accurate Superquadric Recovery: a Probabilistic Approach [29.7543198254021]
  点雲から超四分儀を回収する最初の確率的手法を提案する。 提案手法は, 合成データセットと実世界のデータセットの精度, 効率, 堅牢性の観点から, 最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-11-29T13:17:17Z)

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。