論文の概要: Context without Commitment: Robust Dense Correspondence under Non-Rigid Deformation

• arxiv url: http://arxiv.org/abs/2609.37071v1
• Date: Tue, 29 Sep 2026 09:06:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.352532
• Title: Context without Commitment: Robust Dense Correspondence under Non-Rigid Deformation
• Title（参考訳）: 制約のない文脈:非リジッド変形下におけるロバストディエンス対応
• Abstract要約: 非厳格な点クラウド登録は、変形源表面上の各点の対応する目標点を見つけることを目的としている。 点レベルのマッチングは全ターゲットの雲を利用できるが、異なる領域が類似した局所幾何学を持つと対応が曖昧になる。 CoCo-Regは、パッチ予測が最終点レベルの探索を制限することなしに、局所的なパッチを用いて高密度な点特徴を豊かにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-rigid point-cloud registration aims to find the corresponding target point for each point on a deforming source surface. Point-level matching keeps the full target cloud available, but correspondence becomes ambiguous when different regions have similar local geometry. Regional or coarse-to-fine methods provide broader spatial context, but an incorrect regional match can exclude the correct correspondence before dense matching. We propose CoCo-Reg, which uses regional patches to enrich dense point features without allowing patch predictions to restrict the final point-level search. CoCo-Reg constructs farthest-point-sampled patches, exchanges geometric information within and between source and target, supervises patch similarity using identity-corrected point overlap, and projects the resulting regional information back to dense point features. The final registration stage still scores the full target cloud before global point-level candidate selection. On 726 held-out ModelNet10 objects across nine deformation levels, two established learning-based baselines obtain mean correspondence errors of 0.1993 and 0.1921, whereas CoCo-Reg obtains 0.0547. Relative to its point-level baseline, this is a 72.6\% reduction. CoCo-Reg achieves lower correspondence error on 92.3\% of paired test objects and reduces the mean fraction of points with error above 0.1 from 47.3\% to 17.3\%. Chamfer distance and HD95 decrease in the same direction, and CoCo-Reg remains lower across all tested deformation levels. These results support using regional context for dense non-rigid correspondence without imposing a hard patch-level restriction on the final search. Because evaluation uses one checkpoint per method, the reported gains characterize the complete systems rather than the isolated causal contribution of an individual component. Code will be made publicly available.
• Abstract（参考訳）: 非厳格な点クラウド登録は、変形源表面上の各点の対応する目標点を見つけることを目的としている。 点レベルのマッチングは全ターゲットの雲を利用できるが、異なる領域が類似した局所幾何学を持つと対応が曖昧になる。 局所的あるいは粗大な手法は、より広い空間的文脈を提供するが、不正確な地域マッチングは、密集したマッチングの前に正しい対応を除外することができる。 CoCo-Regは、パッチ予測が最終点レベルの探索を制限することなしに、局所パッチを用いて高密度な点特徴を豊かにする。 CoCo-Regは、最遠点サンプリングされたパッチを構築し、ソースとターゲット間の幾何情報を交換し、アイデンティティ修正されたポイントオーバーラップを使用してパッチ類似性を監督し、その結果の地域情報を高密度なポイント特徴に投影する。 最終登録段階は、グローバルポイントレベルの候補選択の前に、依然として全ターゲットクラウドをスコアする。 726個のModelNet10オブジェクトを9つの変形レベルにわたって保持すると、2つの学習ベースラインが平均対応誤差0.1993と0.1921を得るのに対し、CoCo-Regは0.0547を得る。 ポイントレベルのベースラインとは対照的に、72.6\%の減少である。 CoCo-Regは、ペアテストオブジェクトの92.3\%で低い対応誤差を達成し、0.1以上の誤差を持つ点の平均分数を47.3\%から17.3\%に減少させる。 チャンファー距離とHD95は同じ方向に減少し、CoCo-Regは全ての試験された変形レベルにわたって低い値に留まった。 これらの結果は、最終検索にハードパッチレベルの制約を課すことなく、密集した非剛体対応のための地域コンテキストの利用を支援する。 評価はメソッド毎に1つのチェックポイントを使用するため、報告されたゲインは、個々のコンポーネントの分離された因果的寄与よりも、完全なシステムを特徴付ける。 コードは公開されます。

関連論文リスト

• Cross-Coordinate Correspondence Pruning for Image-to-Point Cloud Registration [70.44225088078274]
  そこで本研究では,不整合度を低く抑えつつ十分な不整合を得るための新しいCCP戦略を提案する。 提案手法は, 各種ベンチマークにおける登録リコールにおいて, 既存の最先端手法を少なくとも8.6%上回り, 大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2026-07-19T11:45:14Z)
• 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)
• CPR++: Object Localization via Single Coarse Point Supervision [55.8671776333499]
  粗い点修正(CPR)は、アルゴリズムの観点からの意味的分散を緩和する最初の試みである。 CPRは、アノテートされた最初のポイントを置き換えるために、近隣地域のセマンティックセンターポイントを選択することで意味のばらつきを減らす。 CPR++は、スケール情報を取得し、グローバル領域における意味的分散をさらに低減することができる。
  論文  参考訳（メタデータ） (2024-01-30T17:38:48Z)
• HybridPoint: Point Cloud Registration Based on Hybrid Point Sampling and Matching [8.255850058549653]
  より堅牢で正確な対応を見つけるために,HybridPointベースのネットワークを提案する。 本モデルは3DMatch, 3DLoMatch, KITTIオドメトリーにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-03-29T08:28:45Z)
• Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration [74.53755415380171]
  ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。 部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。 UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
  論文  参考訳（メタデータ） (2023-03-23T14:18:06Z)
• Deep Graph-based Spatial Consistency for Robust Non-rigid Point Cloud Registration [34.510680340166]
  非剛点雲登録における外部対応プルーニングの問題点について検討する。 剛性登録では、空間整合性は、慣性器から外乱器を識別するために一般的に使用される基準である。 グラフベース空間整合性ネットワーク(GraphSCNet)を提案する。
  論文  参考訳（メタデータ） (2023-03-17T13:15:03Z)
• 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)
• CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration [35.57761839361479]
  CoFiNet (Coarse-to-Fine Network) - キーポイント検出なしで、粗から細まで階層的な対応を抽出する。 我々のモデルは、近傍の点が重なり合うダウンサンプリングノードと一致することを学習する。 点対応は、密度適応マッチングモジュールによって対応するパッチの重複領域から洗練される。
  論文  参考訳（メタデータ） (2021-10-26T23:05:00Z)
• RPM-Net: Robust Point Matching using Learned Features [79.52112840465558]
  RPM-Netは、より敏感で、より堅牢なディープラーニングベースのアプローチである。 既存の方法とは異なり、我々のRPM-Netは、部分的な可視性を備えた対応や点雲の欠如を処理します。
  論文  参考訳（メタデータ） (2020-03-30T13:45:27Z)

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。