論文の概要: Robust Single-Parameter Point Cloud Registration using Truncated Lp Functions

• arxiv url: http://arxiv.org/abs/2610.34271v1
• Date: Sun, 25 Oct 2026 13:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.569813
• Title: Robust Single-Parameter Point Cloud Registration using Truncated Lp Functions
• Title（参考訳）: 縮尺Lp関数を用いたロバスト単一パラメータ点群登録
• Abstract要約: 本研究では,1つの調整可能なパラメータのみを持つロバストポイントクラウド登録手法を提案する。 提案手法はTLPと呼ばれ, truncated $L_p$関数と$p$の異なる値を用いて, 優先度スコアを対応付け, 仮説を選択し, 最終モデルを精査する。
• 参考スコア（独自算出の注目度）: 22.390684545368064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a novel method for robust point cloud registration with only one tunable parameter. Our method, dubbed TLP, uses truncated $L_p$ functions with different values of $p$ to assign priority scores to correspondences, select the hypothesis, and refine the final model. By leveraging the robustness of truncated functions, TLP effectively handles the high outlier rates commonly encountered in real-world 3D feature matching. We also exploit GPU parallelization to evaluate hypotheses efficiently, enabling registration from thousands of correspondences in under a second on average. With only one tunable parameter, our method offers greater practicality than multi-parameter methods that require dataset-specific tuning of several parameters. Evaluations on public benchmark datasets demonstrate that TLP achieves higher accuracy than state-of-the-art single-parameter methods. Furthermore, it outperforms two widely used multi-parameter methods on three of the four evaluated datasets while maintaining competitive runtime.
• Abstract（参考訳）: 本研究では,1つの調整可能なパラメータのみを持つロバストポイントクラウド登録手法を提案する。 提案手法はTLPと呼ばれ, truncated $L_p$関数と$p$の異なる値を用いて, 優先度スコアを対応付け, 仮説を選択し, 最終モデルを精査する。 truncated関数のロバスト性を活用することで、TLPは現実世界の3D特徴マッチングでよく見られる高い外乱率を効果的に処理する。 また、GPU並列化を利用して仮説を効率的に評価し、平均1秒以下で数千の対応を登録できる。 調整可能なパラメータが1つしかないため,本手法は複数のパラメータのデータセット固有のチューニングを必要とするマルチパラメータ法よりも実用性が高い。 公開ベンチマークデータセットの評価は、TLPが最先端の単一パラメータ法よりも高い精度を達成することを示した。 さらに、競合ランタイムを維持しながら、4つの評価データセットのうち3つで広く使われている2つのマルチパラメータメソッドよりも優れています。

関連論文リスト

• FPS: Feedforward-based Parameter Selection For Efficient Fine-Tuning [10.272085741815921]
  本稿では,FPS(Feedforward-based Selection)を提案する。 FPSは、その大きさと対応する入力アクティベーションの産物によってパラメータをランク付けし、事前訓練された知識と下流のデータの両方を活用する。 FPSは最先端のメソッドに匹敵するパフォーマンスを実現し、ピークメモリ使用量を9倍近く削減した。
  論文  参考訳（メタデータ） (2025-10-31T10:44:16Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Positional Prompt Tuning for Efficient 3D Representation Learning [16.868922142742168]
  変換器をベースとした位置符号化手法は,点雲のマルチスケールな特徴を集約するのに有効である,と我々は主張する。 本稿では,プロンプトとアダプタのレンズを通して,パラメータ効率のよい微調整(PEFT)について検討する。 PPTにはパッチトークンが増加し、トレーニング可能な位置エンコーディングが組み込まれている。
  論文  参考訳（メタデータ） (2024-08-21T12:18:34Z)
• LoRAPrune: Structured Pruning Meets Low-Rank Parameter-Efficient Fine-Tuning [56.88751562302793]
  低ランク適応 (LoRA) が大型言語モデル (LLM) に登場した。 LoRAPruneは、高度にメモリ効率の良い正確な構造化プルーンドモデルを提供する新しいフレームワークである。 LoRAPruneはWikiText2では4.81、TBでは3.46、メモリ使用量は52.6%減少している。
  論文  参考訳（メタデータ） (2023-05-28T15:15:48Z)
• Parameter-Efficient Fine-Tuning without Introducing New Latency [7.631596468553607]
  隠れ表現の代わりに事前学習パラメータに直接アダプタを適用する新しいアダプタ技術を導入する。 提案手法は,性能と記憶効率の両面で新たな最先端性を実現し,完全微調整のパラメータは0.03%に過ぎなかった。
  論文  参考訳（メタデータ） (2023-05-26T08:44:42Z)
• Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
  私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。 ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
  論文  参考訳（メタデータ） (2023-03-15T12:34:24Z)
• On the Effectiveness of Parameter-Efficient Fine-Tuning [79.6302606855302]
  現在、多くの研究が、パラメータのごく一部のみを微調整し、異なるタスク間で共有されるパラメータのほとんどを保持することを提案している。 これらの手法は, いずれも細粒度モデルであり, 新たな理論的解析を行う。 我々の理論に根ざした空間性の有効性にもかかわらず、調整可能なパラメータをどう選ぶかという問題はまだ未解決のままである。
  論文  参考訳（メタデータ） (2022-11-28T17:41:48Z)
• Parameter-Efficient Sparsity for Large Language Models Fine-Tuning [63.321205487234074]
  私たちはaを提案します。 Sparse- efficient Sparse Training (PST) は、スパース・アウェア・トレーニング中にトレーニング可能なパラメータの数を減少させる手法である。 多様なネットワーク(BERT、RoBERTa、GPT-2)を用いた実験では、PSTは従来のスパーシリティ法よりも同等以上の性能を示した。
  論文  参考訳（メタデータ） (2022-05-23T02:43:45Z)
• Optimised one-class classification performance [4.894976692426517]
  SVM(Support Vector Machine)、NND(Nearest Neighbour Distance)、ALP(Average Localized Proximity)の3つのデータ記述子の最適化を扱う。 我々は,50個のデータセットから抽出した246個の分類問題を用いて,ハイパーパラメータ最適化の効果を実験的に評価した。
  論文  参考訳（メタデータ） (2021-02-04T14:08:20Z)

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。