論文の概要: Geometry-Constrained Bidirectional Point Cloud Registration for Thin, Sheet-Like Heritage Artifacts

• arxiv url: http://arxiv.org/abs/2610.07793v1
• Date: Tue, 06 Oct 2026 05:41:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.830784
• Title: Geometry-Constrained Bidirectional Point Cloud Registration for Thin, Sheet-Like Heritage Artifacts
• Title（参考訳）: 薄板状遺産の幾何学的制約による双方向クラウド登録
• Abstract要約: 薄いシート状遺産の非接触復元は、幾何的および登録上の課題を生じさせる。 本研究では,細いシート状遺産に特化して,幾何学的に制約された双方向のクラウド登録手法を提案する。 提案手法は,ほとんどの場合,競争力や性能の向上を実現する。
• 参考スコア（独自算出の注目度）: 8.294303957972383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Non-contact three-dimensional reconstruction of thin, sheet-like heritage artifacts poses significant geometric and registration challenges. Due to their fragility, these artifacts cannot be suspended or equipped with artificial markers, necessitating independent acquisition of their front and back surfaces. Subsequent registration proves difficult due to the limited number of shared geometric features and the scarcity of explicit physical constraints, which may result in rotational ambiguity, instability, and structural collapse during iterative optimization. To address these challenges, we propose a geometry-constrained bidirectional point cloud registration method specifically tailored for thin, sheet-like heritage artifacts. The method integrates semantic-guided preprocessing, Principal Component Analysis (PCA)-based geometric normalization, and a thickness-aware registration strategy. The estimated physical thickness is incorporated as a geometric constraint to preserve structural integrity during registration. Rotational ambiguity is resolved by evaluating a finite set of global rotation hypotheses, each refined using the point-to-plane Iterative Closest Point (ICP) algorithm, with the optimal transformation selected via a geometry-aware fitness criterion consistent with the thickness scale. Experimental results show that the proposed method achieves competitive or improved performance in most cases, particularly in projected area consistency and physically plausible front-back alignment. In addition, the thickness-aware constraint and rotation hypothesis evaluation reduce the risk of degenerate configurations in which the two surfaces are incorrectly flipped while still yielding deceptively acceptable numerical scores, supporting reliable non-contact digitization of delicate and thin heritage artifacts. Implementation details are available at https://zyz-nwpu.github.io/GCBPCR/.
• Abstract（参考訳）: 薄いシート状遺産の非接触3次元再構築は、幾何的および登録上の課題を生じさせる。 その脆弱さのため、これらのアーティファクトは吊り下げたり、人工マーカーを装備したりすることができず、前面と後面を独立して取得する必要がある。 その後の登録は、共有幾何学的特徴の限られた数と明示的な物理的制約の不足により困難であることが証明され、これは反復最適化時の回転あいまいさ、不安定性、構造的崩壊をもたらす可能性がある。 これらの課題に対処するため,細いシート状遺産に特化して,幾何学的に制約された双方向クラウド登録手法を提案する。 本手法は,意味誘導前処理,主成分分析(PCA)に基づく幾何正規化,厚さ認識型登録戦略を統合する。 推定された物理的厚さは、登録時の構造的整合性を維持するための幾何学的制約として組み込まれている。 回転のあいまいさは、有限な大域回転仮説を評価し、それぞれが点から面までの反復閉点(ICP)アルゴリズムを用いて洗練され、厚さスケールと整合した幾何学的適合度基準によって最適な変換が選択される。 実験の結果,提案手法は,ほとんどの場合,特に投影領域の整合性や物理的に妥当なフロントバックアライメントにおいて,競争力や性能の向上を実現していることがわかった。 さらに、厚みを考慮した制約及び回転仮説評価により、2つの面が誤って反転した退化構成のリスクを低減し、微妙で薄い古美術品の信頼性の高い非接触デジタル化を支援する。 実装の詳細はhttps://zyz-nwpu.github.io/GCBPCR/で確認できる。

関連論文リスト

• Robust 3D Alignment of Generative Reconstructions via Partial Monocular Observations [46.983222121901235]
  生成から部分的単分子観測アライメントは、コンピュータビジョンにおける重要な課題であるが、未発見の課題である。 本稿では,3次元類似度変換によって生成した3次元前処理を基盤とした,学習不要かつ解釈可能な幾何学的アライメントフレームワークを提案する。 実験により,本手法は,古典的幾何学的パイプラインと最先端の学習ベースラインの両方を著しく上回り,安定かつ正確な登録を実現することが示された。
  論文  参考訳（メタデータ） (2026-07-01T06:30:47Z)
• 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)
• Breaking the Rigid Prior: Towards Articulated 3D Anomaly Detection [22.176584838343604]
  ArtiADは3D異常検出のための最初の大規模ベンチマークである。 SPA-SDF(Shape-Pose-Aware Signed Distance Field)を提案する。 SPA-SDFは、目に見える構成で0.884のオブジェクトレベルAUROC、目に見えない構成で0.874を達成し、全ての剛性ベースのベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-04-29T16:35:26Z)
• Preserving Topological and Geometric Embeddings for Point Cloud Recovery [43.26116605528137]
  我々は、サンプリングおよび復元フェーズを通じてこれらの重要な特性を維持する、textbfTopGeoFormer というエンドツーエンドアーキテクチャを提案する。 実験では,従来型および学習型サンプリング/アップ/リカバリアルゴリズムを用いて,環境を包括的に分析する。
  論文  参考訳（メタデータ） (2025-07-25T09:58:41Z)
• CP$^2$: Leveraging Geometry for Conformal Prediction via Canonicalization [51.716834831684004]
  幾何データシフトにおける共形予測(CP)の問題について検討する。 本稿では,幾何的ポーズなどの幾何学的情報を統合することを提案する。
  論文  参考訳（メタデータ） (2025-06-19T10:12:02Z)
• Occlusion-aware Non-Rigid Point Cloud Registration via Unsupervised Neural Deformation Correntropy [25.660967523504855]
  Occlusion-Aware Registration (OAR) は、非厳密に整列する点雲の教師なしの方法である。 理論解析を行い,最大コレントロピー基準と一般的なチャンファー距離の関係を確立する。 提案手法は,既存手法に比べて優れた性能,競争力を発揮する。
  論文  参考訳（メタデータ） (2025-02-15T07:27:15Z)
• Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
  本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。 提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。 本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
  論文  参考訳（メタデータ） (2024-02-08T17:57:59Z)
• Adaptive Surface Normal Constraint for Depth Estimation [102.7466374038784]
  アダプティブサーフェスノーマル(ASN)制約と呼ばれるシンプルで効果的な手法を導入し、深さ推定と幾何学的一貫性を相関させます。 本手法は3次元形状を忠実に再構成でき,境界,鋭角,雑音などの局所形状変化に頑健である。
  論文  参考訳（メタデータ） (2021-03-29T10:36:25Z)

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。