論文の概要: Register Anything Model for Generalizable and Robust Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2610.28821v1
• Date: Tue, 20 Oct 2026 18:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.125183
• Title: Register Anything Model for Generalizable and Robust Point Cloud Registration
• Title（参考訳）: 汎用およびロバストなポイントクラウド登録のための登録モデル
• Abstract要約: センサと環境にまたがる様々な領域にわたる6-DoF変換を頑健に推定する汎用3Dポイントクラウド登録のための統一モデルを提案する。 中心的な課題は、シーンスケール、センサノイズ、点密度、構造パターンの違いなど、領域間の厳密な幾何学的差異である。 この正規化に基づいて、RAMは階層的な粗大なパラダイムを踏襲し、全ての点にまたがって局所的な幾何一貫性をモデル化する効率的な幾何変換器を用いる。
• 参考スコア（独自算出の注目度）: 14.63398696414899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Register Anything Model (RAM), a unified model for generalizable 3D point cloud registration that robustly estimates 6-DoF transformations across diverse domains spanning sensors and environments. Existing registration methods are typically tailored to a single domain, with carefully tuned architectures and hyperparameters, and thus degrade markedly when applied to novel domains. We bridge this gap by training a single model on diverse data from indoor, outdoor, and object domains. A central challenge is the severe geometric discrepancy across domains, i.e., differences in scene scale, sensor noise, point density, and structural patterns, which hinders processing with a unified point-based model. To address this, we introduce a geometry-aware normalization strategy that jointly voxelizes and normalizes point clouds into a standardized geometric space, adaptively based on their geometric properties to preserve salient local structures while standardizing resolution. Built on this normalization, RAM follows a hierarchical coarse-to-fine paradigm, and employs an efficient geometric transformer that models local geometric consistency instead of globally over all points. This design mitigates discretization noise introduced by voxelization, and improves computational efficiency. Extensive experiments on 12 benchmarks demonstrate state-of-the-art performance in terms of inlier ratio and registration recall. Notably, our method outperforms the counterparts trained on each separate domain, showing superior generalization capability.
• Abstract（参考訳）: 本稿では,センサや環境にまたがる様々な領域にまたがる6-DoF変換を頑健に推定する汎用3Dポイントクラウド登録のための統一モデルであるRegister Anything Model(RAM)を提案する。 既存の登録方法は、1つのドメインに調整され、慎重に調整されたアーキテクチャとハイパーパラメータを持ち、新しいドメインに適用されると著しく劣化する。 このギャップを、屋内、屋外、およびオブジェクトドメインからの多様なデータに基づいて、単一のモデルをトレーニングすることで埋める。 中心的な課題は、シーンスケール、センサノイズ、点密度、構造パターンの違いなど、領域間の厳密な幾何学的差であり、統一された点ベースモデルによる処理を妨げる。 そこで本研究では,点雲を標準化された幾何学空間に共同で酸化・正規化し,それらの幾何学的性質を適応的に利用し,解像度を標準化しながら局所構造を保全する幾何対応正規化戦略を提案する。 この正規化に基づいて構築されたRAMは階層的粗大なパラダイムを踏襲し、全点にわたってグローバルではなく局所的な幾何一貫性をモデル化する効率的な幾何変換器を用いる。 この設計は、ボキセル化によって生じる離散化ノイズを軽減し、計算効率を向上させる。 12ベンチマークの大規模な実験は、インリア比と登録リコールの観点から最先端のパフォーマンスを示している。 特に,本手法は,各ドメインで訓練された各ドメインよりも優れ,より優れた一般化能力を示す。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• DAPointMamba: Domain Adaptive Point Mamba for Point Cloud Completion [41.88068759489936]
  ドメイン適応ポイントクラウド補完(DA PCC)は、ラベル付きソースとラベルなしターゲットドメインの間の幾何学的および意味的差異を狭めることを目的としている。 DA PCCにおける状態空間モデル(SSM)の適応性に関する最初の研究について述べる。 本稿では,DAPointMamba for DA PCCを提案する。DAPointMamba for DA PCCは,ドメイン間の強い適応性を示し,大域的受容場と効率的な線形複雑性の利点を有する。
  論文  参考訳（メタデータ） (2025-11-25T13:07:27Z)
• Topology-Aware Modeling for Unsupervised Simulation-to-Reality Point Cloud Recognition [63.55828203989405]
  我々はオブジェクトポイントクラウド上でSim2Real UDAのための新しいTopology-Aware Modeling (TAM)フレームワークを紹介する。 提案手法は,低レベルの高周波3次元構造を特徴とするグローバル空間トポロジを利用して,領域間隙を緩和する。 本稿では,クロスドメイン・コントラスト学習と自己学習を組み合わせた高度な自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-26T11:53:59Z)
• STREAM: A Universal State-Space Model for Sparse Geometric Data [2.9483719973596303]
  ポイントクラウドやイベントベースのビジョンなど、非構造化の幾何学的データを扱うことは、マシンビジョンの分野における急激な課題である。 状態空間モデルのパラメータ化に幾何構造を明示的にエンコードすることを提案する。 本モデルでは, スパースデータを最新のハードウェアに効率的にマッピングするために, カーネルを改良したMamba選択状態空間モデルをデプロイする。
  論文  参考訳（メタデータ） (2024-11-19T16:06:32Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)

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。