論文の概要: SAGE: Semantic-Augmented Geometric Experts for Point Cloud Registration

• arxiv url: http://arxiv.org/abs/2610.36658v1
• Date: Tue, 27 Oct 2026 05:22:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.487063
• Title: SAGE: Semantic-Augmented Geometric Experts for Point Cloud Registration
• Title（参考訳）: SAGE: ポイントクラウド登録のためのSemantic-Augmented Geometric Experts
• Abstract要約: SAGE(Semantic-Augmented Geometric Experts)について紹介する。 SAGEは、追加のセンサーやセマンティックエンコーダを微調整することなく、凍結したセマンティック表現を登録パイプラインに統合する。 SAGEは3DLoMatch上で最も高い登録リコールを達成したが、3DMatchでは競争力を維持している。
• 参考スコア（独自算出の注目度）: 5.602301247349273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud registration is an essential task for scene reconstruction, requiring the alignment of partially overlapping point clouds. Under low-overlap conditions, this task remains challenging because existing geometry-only methods cannot distinguish geometrically similar but semantically distinct structures (e.g., TV corners vs. desk corners and chair legs vs. table legs), resulting in incorrect correspondences. To address this geometric ambiguity, we present Semantic-Augmented Geometric Experts (SAGE), which integrates frozen pre-trained point cloud semantic representations into the registration pipeline without requiring additional sensors or fine-tuning the semantic encoder. To effectively leverage these semantic distinctions, SAGE employs a Semantic-Guided Mixture of Experts (SG-MoE) architecture. Through semantic-aware routing, SG-MoE enables each expert to specialize in distinct semantic-geometric patterns, reducing mismatches that confound geometry-only methods. With a structure-aware estimator, SAGE achieves the highest registration recall on 3DLoMatch while remaining competitive on 3DMatch. When evaluated with the same number of refinement iterations, SAGE further achieves the highest inlier ratio and registration recall on both benchmarks. These results indicate that frozen semantic representations provide effective cues for resolving geometric ambiguity in low-overlap registration.
• Abstract（参考訳）: ポイントクラウド登録はシーン再構築に不可欠なタスクであり、部分的に重複するポイントクラウドのアライメントを必要とする。 低オーバーラップ条件下では、既存の幾何学的手法では幾何学的に類似しているが意味的に異なる構造(テレビ角、机角、椅子脚、テーブル脚など)を区別できないため、この課題は依然として困難である。 このような幾何学的曖昧さに対処するために,凍結した事前学習点クラウドの意味表現を,センサの追加やセマンティックエンコーダの微調整を必要とせず,登録パイプラインに組み込むセマンティック拡張幾何専門家(SAGE)を提案する。 これらの意味的区別を効果的に活用するために、SAGEはSemantic-Guided Mixture of Experts (SG-MoE)アーキテクチャを採用している。 セマンティック・アウェア・ルーティングにより、SG-MoEは各専門家が異なるセマンティック・ジオメトリ・パターンを専門化することができ、幾何学のみの手法を混同するミスマッチを減らすことができる。 SAGEは3DLoMatch上で最も高い登録リコールを達成したが、3DMatchでは競争力を維持している。 同じ数のリファインメントイテレーションで評価すると、SAGEは両方のベンチマークで最も高いインリア比と登録リコールを達成する。 これらの結果は,凍結意味表現は,低オーバーラップ登録における幾何学的曖昧性の解消に有効な手段であることを示している。

関連論文リスト

• Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images [81.94999489820974]
  UniSplat (UniSplat) は、未提示のマルチビュー画像から3D表現を学習するためのフィードフォワードフレームワークである。 エンコーダにおける幾何誘導を強化するデュアルマスキング戦略を導入する。 第2に,外見のセマンティックな矛盾を解消する粗大なガウス的スプレイティング戦略を開発する。 第3に、予測された3次元点と意味マップを画像平面に相互に関連付ける、ポーズ条件の補正機構を導入する。
  論文  参考訳（メタデータ） (2026-04-12T10:36:18Z)
• LoST: Level of Semantics Tokenization for 3D Shapes [50.847769883816085]
  State-of-the-artメソッドは、もともとレンダリングと圧縮のために設計された幾何学的なレベル・オブ・ディテール(LoD)階層に依存している。 本稿では,初期接頭辞が完全かつ可塑性な形状をデコードするように,サリエンスを指示するレベル・オブ・セマンティックス・トークン化(LoST)を提案する。 LoSTはSOTA再構成を実現し、幾何的および意味的再構成のメトリクスにおいて、従来のLoDベースの3次元形状トークン化器を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2026-03-18T17:56:06Z)
• 3D Weakly Supervised Semantic Segmentation via Class-Aware and Geometry-Guided Pseudo-Label Refinement [49.05272731604324]
  3D弱教師付きセマンティックセマンティックセマンティクスは、スパースデータや低コストデータを活用することでセマンティクスセマンティクスセマンティクスを実現することを目的としている。 それまでの作業では、主にクラスアクティベーションマップや事前訓練された視覚言語モデルを使用してこの問題に対処していた。 本稿では,3次元幾何学的先行概念をクラス認識誘導機構に統合した,シンプルで効果的な3次元教師付きセマンティックセマンティックセマンティックセマンティクス法を提案する。
  論文  参考訳（メタデータ） (2025-10-17T03:53:43Z)
• Dense Semantic Matching with VGGT Prior [49.42199006453071]
  本稿では,VGGTの本質的な強みを,初期の特徴段階を再利用し,後続の特徴段階を微調整し,双方向対応のための意味的頭部を追加することによって維持するアプローチを提案する。 提案手法は, 従来のベースラインよりも優れた幾何認識, 整合性, および多様体保存を実現する。
  論文  参考訳（メタデータ） (2025-09-25T14:56:11Z)
• Hierarchical Context Alignment with Disentangled Geometric and Temporal Modeling for Semantic Occupancy Prediction [61.484280369655536]
  カメラを用いた3Dセマンティック占領予測(SOP)は、限られた2次元画像観察から複雑な3Dシーンを理解するのに不可欠である。 既存のSOPメソッドは通常、占有表現学習を支援するためにコンテキストの特徴を集約する。 より正確なSOP(Hi-SOP)のための新しい階層型コンテキストアライメントパラダイムを導入する。
  論文  参考訳（メタデータ） (2024-12-11T09:53:10Z)
• SGNet: Salient Geometric Network for Point Cloud Registration [35.49985932039906]
  ポイントクラウド登録(PCR)はコンピュータビジョンにおいて重要かつ困難なタスクである。 従来の手法では,パッチブロック間の類似性により不明瞭なマッチングが問題視されていた。 いくつかの新しい手法を含む新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-09-12T13:21:12Z)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)

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。