論文の概要: PointVGGT: Zero-Shot Multiview RGB-D Point Cloud Registration with Visual Geometry Foundation Priors

• arxiv url: http://arxiv.org/abs/2610.11612v1
• Date: Thu, 08 Oct 2026 09:54:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.93821
• Title: PointVGGT: Zero-Shot Multiview RGB-D Point Cloud Registration with Visual Geometry Foundation Priors
• Title（参考訳）: PointVGGT: ゼロショットマルチビュー RGB-D Point Cloud Registration with Visual Geometry Foundation Priors
• Abstract要約: 本論文は,RGB-D 点雲の多視点登録に対処し,不規則な RGB-D スキャンのグローバルな剛性ポーズを推定し,それらを計量的に一貫した座標フレームに整列させることを目的とする。 本稿では,新しいエンファンデーション・then-refinementパラダイムに基づくゼロショットフレームワークであるPointVGGTを紹介する。 室内/オブジェクト中心/屋外データセットの実験は,提案手法の卓越したゼロショット登録精度と計算効率を検証した。
• 参考スコア（独自算出の注目度）: 25.09355112240773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses multiview RGB-D point cloud registration, aiming to estimate global rigid poses for unordered RGB-D scans and align them in a metrically consistent coordinate frame. The conventional pairwise-then-global paradigm suffers from locally optimized pairwise registration, severe error propagation and high computational burden. In particular, existing methods typically treat RGB data as a mere auxiliary matching cue and overlook the holistic geometric priors (e.g., camera poses and 3D models) encoded across image sequences. This paper introduces PointVGGT, a zero-shot framework built upon a novel \emph{foundation-then-refinement} paradigm that systematically leverages visual geometry foundation models (e.g., VGGT) as the computational backbone for robust, training-free multiview RGB-D registration. In the foundation stage, we directly recover metrically consistent global poses (without any pairwise estimation) by grounding the scale-ambiguous pose predictions of the foundation model against metric depth observations. In the refinement stage, we introduce an efficient voxelized spatial hashing mechanism that exploits the globally coherent 3D reconstruction (induced by the foundation model) as a shared spatial anchor, enabling dense multiview correspondences in near-linear time. On top of this, an IRLS-based robust motion-only bundle adjustment is performed using a conjugate gradient solver to jointly minimize the correspondence and reprojection residuals for multiview pose refinement. Extensive experiments on indoor/object-centric/outdoor datasets verify the outstanding zero-shot registration accuracy and computational efficiency of our proposed method.
• Abstract（参考訳）: 本論文は,RGB-D 点雲の多視点登録に対処し,不規則な RGB-D スキャンのグローバルな剛性ポーズを推定し,それらを計量的に一貫した座標フレームに整列させることを目的とする。 従来のペアワイズ・グローバルパラダイムは、局所的に最適化されたペアワイズ登録、重大エラー伝搬、高い計算負担に悩まされている。 特に、既存の手法では、RGBデータを単なる補助的なマッチングキューとして扱い、画像列にエンコードされた全体幾何学的先行(例えば、カメラポーズや3Dモデル)を見渡すのが一般的である。 本稿では,新しい「emph{foundation-then-refinement}」パラダイムに基づくゼロショットフレームワークであるPointVGGTを紹介する。 基礎段階では,メートル法深度観測に対する基礎モデルのスケールあいまいなポーズ予測を基礎として,距離的に一貫した大域的なポーズを(ペアの見積もりなしで)直接復元する。 改良段階では,グローバルなコヒーレントな3次元再構成(基礎モデルによる)を共有空間アンカーとして活用し,近距離時間で高密度なマルチビュー対応を可能にする,効率的なボキセル化空間ハッシュ機構を導入する。 これに加えて、共役勾配分解器を用いてIRLSベースの頑健な動きのみのバンドル調整を行い、マルチビューポーズ改善のための対応と再投影残差を共同で最小化する。 室内/オブジェクト中心/屋外データセットの大規模な実験により,提案手法の卓越したゼロショット登録精度と計算効率が検証された。

関連論文リスト

• Reloc-VGGT: Visual Re-localization with Geometry Grounded Transformer [40.778996326009185]
  初期核融合機構による多視点空間統合を行う最初のビジュアルローカライゼーションフレームワークを提案する。 我々のフレームワークはVGGTのバックボーン上に構築されており、多視点3D形状を符号化している。 本研究では,グローバルアテンションの2次複雑さを回避し,計算コストを削減する新しいスパースマスクアテンション戦略を提案する。
  論文  参考訳（メタデータ） (2025-12-26T06:12:17Z)
• FUSER: Feed-Forward MUltiview 3D Registration Transformer and SE(3)$^N$ Diffusion Refinement [39.19949818461193]
  Fは、全てのスキャンを統一されたコンパクトな潜在空間で処理する最初のフィードフォワードマルチビュー登録変換器である。 F はペアワイズ推定なしでグローバルなポーズを予測する。 3DMatch, ScanNet, ArkitScenesの実験により, 本手法が優れた登録精度と優れた計算効率を実現することを示す。
  論文  参考訳（メタデータ） (2025-12-10T07:11:22Z)
• TALO: Pushing 3D Vision Foundation Models Towards Globally Consistent Online Reconstruction [57.46712611558817]
  3次元視覚基礎モデルでは、1つのフィードフォワードパスを通して、未校正画像からキー3D属性を再構成する際の強力な一般化が示されている。 近年の戦略は,グローバルトランスフォーメーションの解決によって連続的な予測と整合するが,本分析では,仮定の妥当性,局所的なアライメント範囲,雑音的幾何の下でのロバスト性といった基本的な限界を明らかにしている。 本研究では,グローバルに伝播する制御点を利用して空間的に異なる不整合を補正する,Tin Plate Splineに基づく高DOFおよび長期アライメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-02T02:22:20Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• SplatPose: Geometry-Aware 6-DoF Pose Estimation from Single RGB Image via 3D Gaussian Splatting [3.6688867031495223]
  SplatPoseは3次元ガウススティング(3DGS)を2分岐ニューラルアーキテクチャで合成し,高精度なポーズ推定を実現する新しいフレームワークである。 3つのベンチマークデータセットの実験では、SplatPoseが最先端の6-DoFを1つのRGB設定で推定精度で達成していることが示されている。
  論文  参考訳（メタデータ） (2025-03-07T06:40:06Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• Anyview: Generalizable Indoor 3D Object Detection with Variable Frames [60.48134767838629]
  我々は,AnyViewという新しい3D検出フレームワークを実用化するために提案する。 本手法は, 単純かつクリーンなアーキテクチャを用いて, 高い一般化性と高い検出精度を実現する。
  論文  参考訳（メタデータ） (2023-10-09T02:15:45Z)
• Towards Scalable Multi-View Reconstruction of Geometry and Materials [27.660389147094715]
  本稿では,3次元シーンのカメラポーズ,オブジェクト形状,空間変化の両方向反射分布関数(svBRDF)のジョイントリカバリ手法を提案する。 入力は高解像度のRGBD画像であり、アクティブ照明用の点灯付き携帯型ハンドヘルドキャプチャシステムによってキャプチャされる。
  論文  参考訳（メタデータ） (2023-06-06T15:07:39Z)
• Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration [67.69257782645789]
  本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。 パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-16T15:16:09Z)

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。