論文の概要: ReFineR: Single image to dense point cloud registration at pixel level with point splatting
- arxiv url: http://arxiv.org/abs/2611.16583v1
- Date: Thu, 12 Nov 2026 10:15:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.443358
- Title: ReFineR: Single image to dense point cloud registration at pixel level with point splatting
- Title(参考訳): ReFineR: 点スプレイティングによるピクセルレベルでの高密度点雲登録へのシングルイメージ
- Abstract要約: ReFineRは分析バイシンセシスフレームワーク上に構築され、個々の画像をポイントクラウドに洗練する。
最適化に先立って,自動点雲再スケール係数を推定できることを示す。
- 参考スコア(独自算出の注目度): 3.797867929356259
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cameras and LiDARs (Light Detection and Ranging) provide complementary observations of the same scene: cameras capture rich appearance cues while LiDAR sensors provide accurate geometric measurements. In this work, we address the problem of fine image-to-point cloud registration from a single image and a roughly estimated camera pose. On robotic platforms, residual reprojection errors of several pixels are commonly observed even after calibration due to temporal desynchronization, mechanical vibrations, or inaccuracies in point cloud reconstruction. Such errors can lead to decimeter-level geometric discrepancies at moderate distances and significantly affect multiple downstream tasks, such as dense cross-modal supervision, texture mapping, and semantic label transfer. To address this challenge, we introduce ReFineR: an offline framework to finely register individual images to pre-reconstructed point clouds. ReFineR builds upon differentiable point splatting rasterization and a smooth Gradient Orientation Measure (GOM) to iteratively refine the camera pose through analysis-by-synthesis optimization. We evaluated the method on a curated dataset of manually calibrated images collected from heterogeneous data sources. Furthermore, we show that an automatic point cloud rescale factor can be estimated prior to optimization, enabling robust refinement across a wide range of scenarios using a single scale-invariant formulation. The project page can be found at https://refiner-project.github.io/
- Abstract(参考訳): カメラとLiDAR(Light Detection and Ranging)は同じシーンを補完的に観察する。
本研究では,単一画像と大まかに推定されたカメラのポーズから,微細な画像間クラウド登録の問題に対処する。
ロボットプラットフォームでは, 時間的非同期化, 機械的振動, 不正確な点雲再構成による校正後でも, 数画素の残留再投影誤差がよく見られる。
このような誤差は、適度な距離でのデシメータレベルの幾何学的不一致を引き起こし、密接な相互監督、テクスチャマッピング、セマンティックラベル転送といった複数の下流タスクに大きく影響する可能性がある。
この課題に対処するために、オフラインフレームワークであるReFineRを紹介します。
ReFineRは、ラスタ化を微分可能な点スプラッティングとスムーズなグラディエントオリエンテーション尺度(GOM)に基づいて、分析と合成の最適化を通じてカメラのポーズを反復的に洗練する。
異種データソースから収集した手動キャリブレーション画像のキュレートデータセットについて評価を行った。
さらに、最適化に先立って自動点雲再スケール係数を推定できることを示し、単一のスケール不変の定式化を用いて、幅広いシナリオにわたる堅牢な改善を可能にする。
プロジェクトのページはhttps://refiner-project.github.io/にある。
関連論文リスト
- OmniPoint: Universal Monocular Metric Pointcloud from Any Camera [79.24417597712802]
OmniPointは、様々な画像センサにまたがるメートル法再構成を一般化するために設計された統合されたフレームワークである。
射影剛性を克服するため、OmniPointは従来の平面深度回帰を放棄する。
代わりに、分離された訓練目標とともに、分離された光線と距離の表現を採用する。
論文 参考訳(メタデータ) (2026-09-08T19:45:58Z) - DynaTok: Token-Based 4D Reconstruction from Partial Point Clouds [86.5916611076068]
DynaTokは、画像のない部分点列からの対応のない4D再構成のための点ベースフレームワークである。
フローマッチングデコーダは、完全な時間的に一貫した4次元の点時間観測を再構成する。
論文 参考訳(メタデータ) (2026-06-10T15:13:14Z) - Single-Scanline Relative Pose Estimation for Rolling Shutter Cameras [56.39904484784127]
本稿では,ラインプロジェクションの交差点と1枚の走査線を用いて,ローリングシャッターカメラ間の相対的なポーズを推定する手法を提案する。
あるいは、単一の画像内でスキャニングラインを選択することができ、ローリングシャッターカメラのスキャニングラインに対するシングルビュー相対ポーズ推定を可能にする。
論文 参考訳(メタデータ) (2025-06-27T10:00:21Z) - EEPNet-V2: Patch-to-Pixel Solution for Efficient Cross-Modal Registration between LiDAR Point Cloud and Camera Image [15.975048012603914]
カメラ画像とのマッチングのために,点雲を複数の2次元表現に投影するフレームワークを提案する。
画像マッチングタスクにおいて, クロスモーダル差とLiDAR点雲と画像との重複の制限に対処するために, マルチスケールの特徴抽出ネットワークを導入する。
我々は、KITTIおよびnuScenesデータセットの実験を通して、モデルの性能を検証する。
論文 参考訳(メタデータ) (2025-03-19T15:04:01Z) - FreeSplatter: Pose-free Gaussian Splatting for Sparse-view 3D Reconstruction [69.63414788486578]
FreeSplatterはスケーラブルなフィードフォワードフレームワークで、キャリブレーションされていないスパースビュー画像から高品質な3Dガウシアンを生成する。
当社のアプローチでは,自己注意ブロックが情報交換を容易にする合理化トランスフォーマーアーキテクチャを採用している。
包括的データセットに基づいて,オブジェクト中心とシーンレベルの再構築のための2つの特殊な変種を開発する。
論文 参考訳(メタデータ) (2024-12-12T18:52:53Z) - Colmap-PCD: An Open-source Tool for Fine Image-to-point cloud
Registration [7.860297360803415]
本稿では, 既設のLiDARマップを固定制約として利用する, コスト効率の高い新しい再構築パイプラインを提案する。
本手法は,カメラとLiDARデータの同期キャプチャを必要とせずに,最初にポイントクラウドマップに画像を登録する手法である。
論文 参考訳(メタデータ) (2023-10-09T08:09:15Z) - ADOP: Approximate Differentiable One-Pixel Point Rendering [7.69748487650283]
本稿では,シーンリファインメントと新しいビュー合成のための点ベース,微分可能なニューラルレンダリングパイプラインを提案する。
我々は,既存のアプローチよりもシャープで一貫した新しいビューを合成できることを実証した。
論文 参考訳(メタデータ) (2021-10-13T10:55:39Z) - Pixel-Perfect Structure-from-Motion with Featuremetric Refinement [96.73365545609191]
複数視点からの低レベル画像情報を直接アライメントすることで、動きからの2つの重要なステップを洗練する。
これにより、様々なキーポイント検出器のカメラポーズとシーン形状の精度が大幅に向上する。
本システムは,大規模な画像コレクションに容易にスケールできるので,クラウドソースによる大規模なローカライゼーションを実現することができる。
論文 参考訳(メタデータ) (2021-08-18T17:58:55Z) - 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)
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。