論文の概要: SparseGraph-I2P: Consistency-Guided Hypothesis Selection for Efficient Image-to-Point-Cloud Registration

• arxiv url: http://arxiv.org/abs/2611.04591v1
• Date: Tue, 03 Nov 2026 09:48:43 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:47:30.454729
• Title: SparseGraph-I2P: Consistency-Guided Hypothesis Selection for Efficient Image-to-Point-Cloud Registration
• Title（参考訳）: SparseGraph-I2P: 画像からポイントクラウドへの効率的な登録のための一貫性誘導仮説選択
• Abstract要約: SparseGraph-I2Pは、センサーまたは単眼深度を用いて、ポーズにおけるインリエ比を増大させることで、登録リコールを改善することを目的としている。 Sparse Fine Matchingは、各クエリされたピクセルを一度デコードし、祖先パッチでカバーされたピクセルポイント比較と同一のポイントクラウド領域をスキップする。
• 参考スコア（独自算出の注目度）: 7.454629583409613
• License:
• Abstract: Coarse-to-fine image-to-point-cloud (I2P) registration risks discarding correct but ambiguous patch pairs, while retaining more candidates repeats fine matching over overlapping patches. SparseGraph-I2P aims to improve registration recall by increasing the inlier ratio at the pose solver, using sensor or monocular depth. A Coarse Hypothesis Graph combines appearance with depth-derived first- and second-order compatibility to select a fixed budget of patch pairs. Sparse Fine Matching decodes each queried pixel once and skips pixel--point comparisons covered by an ancestor patch paired with the same point-cloud region. With sensor depth, depth-aware filtering ranks correspondences by SC2 spectral support for a single EPnP solve. With monocular depth, depth or inverse depth is calibrated from correspondence geometry before filtering. SparseGraph-I2P achieves the highest registration recall and lowest latency among the compared methods on RGB-D Scenes V2 and 7-Scenes with sensor depth. With predicted depth, it retains the highest recall on RGB-D Scenes V2 at an additional calibration cost. Code will be released.
• Abstract（参考訳）: I2P (Coarse-to-fine image-to-point-cloud) の登録リスクは、正しいがあいまいなパッチペアを破棄すると同時に、より多くの候補が重複するパッチに対する微妙なマッチングを繰り返す。 SparseGraph-I2Pは、センサまたは単眼深度を用いて、ポーズソルバにおけるインリエ比を増大させることで、登録リコールを改善することを目的としている。 粗い仮説グラフは、外見と深度から派生した1階と2階の互換性を組み合わせて、パッチペアの固定予算を選択する。 Sparse Fine Matchingは、各クエリされたピクセルを一度デコードし、同じポイントクラウド領域にペアリングされた祖先パッチでカバーされたピクセル-ポイント比較をスキップする。 センサ深度では、深度認識フィルタは1つのEPnP解決のためのSC2スペクトルによる対応度をランク付けする。 単分子深度では、フィルター前の対応幾何学から深さまたは逆深さを校正する。 SparseGraph-I2Pは,RGB-D Scenes V2および7-Scenesにおけるセンサ深度の比較手法の中で,最も高い登録リコールと低レイテンシを実現する。 予測深度では、RGB-D Scenes V2のリコール率が最も高く、キャリブレーションコストも高い。 コードはリリースされる。

関連論文リスト

• Depth-to-RGB: Repurposing a Frozen Depth Estimator for Geometry-Guided Compositing [14.985953336655413]
  D2R(Depth-to-RGB)フレームワークは、RGB入力でまだ観測されていないシーンの合成深さを予測する。 ペア化されたシーンのエンコーダ特徴をターゲットとして,凍結深度推定器への参照条件補正を学習する。 完全D2Rシステムは、推定器由来の幾何と測光品質において12のオープンソースと3つのクローズドソースベースラインを導く。
  論文  参考訳（メタデータ） (2026-10-06T21:19:26Z)
• SRPose: Two-view Relative Pose Estimation with Sparse Keypoints [51.49105161103385]
  SRPoseは、カメラ・トゥ・ワールドおよびオブジェクト・トゥ・カメラシナリオにおける2ビュー相対ポーズ推定のためのスパースキーポイントベースのフレームワークである。 精度と速度の点で最先端の手法と比較して、競争力や優れた性能を達成する。 さまざまな画像サイズやカメラ固有の機能に対して堅牢であり、低コンピューティングリソースでデプロイすることができる。
  論文  参考訳（メタデータ） (2024-07-11T05:46:35Z)
• Geometry Depth Consistency in RGBD Relative Pose Estimation [2.6089354079273512]
  RGBDカメラの相対的なポーズ推定は多くのアプリケーションにおいて重要である。 以前のアプローチでは画像のRGBの側面に頼って推定し、したがって推定プロセスの深さを完全には利用しない。 本稿では,RGBに基づくランク付き対応リストから一対の対応が仮定された場合,残余対応の空間は,仮説付き対応リストの周辺に営まれる曲線の対に制限され,暗黙的に深度整合を捉えていることを示す。
  論文  参考訳（メタデータ） (2024-01-01T02:35:13Z)
• 2D3D-MATR: 2D-3D Matching Transformer for Detection-free Registration between Images and Point Clouds [38.425876064671435]
  本稿では2D3D-MATRを提案する。 提案手法では,入力画像のダウンサンプリングされたパッチと点雲との間の粗い対応をまず計算する。 パッチマッチングにおけるスケールのあいまいさを解決するため,各画像パッチに対してマルチスケールピラミッドを構築し,最適なマッチング画像パッチを適切な解像度で検出する。
  論文  参考訳（メタデータ） (2023-08-10T16:10:54Z)
• CheckerPose: Progressive Dense Keypoint Localization for Object Pose Estimation with Graph Neural Network [66.24726878647543]
  単一のRGB画像から固い物体の6-DoFのポーズを推定することは、非常に難しい課題である。 近年の研究では、高密度対応型解の大きな可能性を示している。 そこで本研究では,CheckerPoseというポーズ推定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-29T17:30:53Z)
• CorrI2P: Deep Image-to-Point Cloud Registration via Dense Correspondence [51.91791056908387]
  我々は,CorrI2Pと呼ばれる画像間クラウドの登録問題に対処するための,機能に基づく最初の高密度対応フレームワークを提案する。 具体的には、3次元の点雲の前に2次元画像が1対あるとすると、まずそれらを高次元の特徴空間に変換し、特徴を対称的に重なり合う領域に変換して、画像点雲が重なり合う領域を決定する。
  論文  参考訳（メタデータ） (2022-07-12T11:49:31Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• Dual Pixel Exploration: Simultaneous Depth Estimation and Image Restoration [77.1056200937214]
  本研究では,ぼかしと深度情報をリンクするDPペアの形成について検討する。 本稿では,画像の深さを共同で推定し,復元するためのエンドツーエンドDDDNet(DPベースのDepth and De Network)を提案する。
  論文  参考訳（メタデータ） (2020-12-01T06:53:57Z)

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。