一般化CVO：二次リーマン最適化による高速・対応点不要の局所点群レジストレーション
Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization
点群を局所形状を符号化した連続関数として表現し、対応点なしで高速に位置合わせする手法を提案。二次のリーマン最適化により従来比最大10倍の高速化を実現し、LiDARやRGB-Dの追跡精度を向上させた。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ AIが要旨から生成した要約です。正確性は原文をご確認ください。
著者: Ray Zhang, Marcus Greiff, Thomas Lew, John Subosits
分類: cs.CV, cs.AI, cs.RO
原文アブストラクト
We propose a fast and correspondence-free local point cloud registration method that leverages geometric surface structure and reproducing kernel Hilbert space (RKHS) embeddings. The method represents point clouds as continuous functions with point-wise anisotropic kernels that encode local geometry. This formulation improves alignment along surface normals while relaxing alignment along tangential directions. To solve the resulting registration problem, we propose a second-order on-manifold optimization scheme with approximate Riemannian Hessians, achieving a speedup of up to 10x over the first-order solvers used in prior correspondence-free RKHS-based methods. We demonstrate improved frame-to-frame LiDAR and RGB-D tracking accuracy across diverse indoor and outdoor datasets. On a LiDAR tracking registration task in the driving domain, we achieve a reduction of $>55\%$ in both translational and rotational drift in challenging feature-sparse environments. On object registration benchmarks, we show improved robustness over ICP-based methods and further gains when refining global initialization, particularly under moderate misalignment.
関連論文
- 点群レジストレーションにおける最大クリークと最大合意の関係点群レジストレーション
- CVSD-Reg: 視覚的意味的先行知識の蒸留による頑健なLiDARレジストレーション点群レジストレーション
- R-SLPR: コントラスト学習を用いた領域ベースの小規模から大規模への点群レジストレーション点群レジストレーション
- Paired-CSLiDAR: 高さ層別レジストレーションによる空中・地上LiDARのクロスソース位置姿勢精緻化点群レジストレーション
- 任意の点を位置合わせ：フローマッチングによる3D点群レジストレーションのスケーリング点群レジストレーション
- マッチング距離と幾何分布を活用した多視点点群レジストレーション学習点群レジストレーション
