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
R-SLPR: Region-based Small-to-Large Point-cloud Registration with Contrastive Learning
小規模で部分的な点群を大規模な参照点群に位置合わせする問題を、領域提案・領域マッチング・反復精緻化の3段階で解く新しいフレームワークを提案した。
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: Yusen Wan, Zeyuan Chen, Qianshi Zou, Xu Chen
分類: cs.CV
原文アブストラクト
Point-cloud (PC) registration is fundamental to three-dimensional (3D) perception in robotic systems. However, classic registration algorithms falter when aligning a source PC containing limited, incomplete, or ambiguous geometric cues against a reference. This challenge of registering a small, partial PC to a significantly larger global reference is pervasive in real-world deployment yet remains insufficiently addressed by existing learning-based approaches, which typically assume comparable scales and significant overlap. To bridge this gap, we propose the Region-based Small-to-Large Point-cloud Registra- tion framework (R-SLPR), a novel three-stage architecture that fundamentally reformulates the scale-mismatched registration problem into a sequence of region proposal, regional matching, and iterative refinement. Unlike conventional methods that fail to localize specific regions, R-SLPR explicitly identifies candidate regions prior to estimating rigid transformations, ensuring robust alignment even under severe scale mismatch. The framework introduces a Fibonacci Grid Segmentation method coupled with a contrastive learning objective to effectively generate and match local geometric patches. Building on this, a novel Cascade Anchor Selection and Refinement algorithm iteratively aligns the source with the target region to maximize precision. Extensive evaluation on ModelNet40 demonstrates that R-SLPR establishes a new state-of-the-art accuracy standard, outperforming prior approaches and significantly reducing position and rotation Mean Absolute Error (MAE) to 0.009 and 1.104, respectively.
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
- 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
