Rectified Point Flow: Generische Schätzung der Punktwolkenpose
Rectified Point Flow: Generic Point Cloud Pose Estimation
June 5, 2025
Autoren: Tao Sun, Liyuan Zhu, Shengyu Huang, Shuran Song, Iro Armeni
cs.AI
Zusammenfassung
Wir stellen Rectified Point Flow vor, eine einheitliche Parametrisierung, die die paarweise Registrierung von Punktwolken und die Zusammenfügung mehrteiliger Formen als ein einziges bedingtes generatives Problem formuliert. Bei gegebenen ungeordneten Punktwolken lernt unsere Methode ein kontinuierliches punktweises Geschwindigkeitsfeld, das verrauschte Punkte zu ihren Zielpositionen transportiert, aus denen die Teilpositionen wiederhergestellt werden. Im Gegensatz zu früheren Arbeiten, die teilweise Positionen mit ad-hoc-Symmetriebehandlung regressieren, lernt unsere Methode intrinsisch Montagesymmetrien ohne Symmetrielabels. Zusammen mit einem selbstüberwachten Encoder, der sich auf überlappende Punkte konzentriert, erreicht unsere Methode eine neue Bestleistung auf sechs Benchmarks, die die paarweise Registrierung und Formzusammenfügung abdecken. Bemerkenswerterweise ermöglicht unsere einheitliche Formulierung ein effektives gemeinsames Training auf verschiedenen Datensätzen, was das Lernen gemeinsamer geometrischer Prioritäten erleichtert und folglich die Genauigkeit steigert. Projektseite: https://rectified-pointflow.github.io/.
English
We introduce Rectified Point Flow, a unified parameterization that formulates
pairwise point cloud registration and multi-part shape assembly as a single
conditional generative problem. Given unposed point clouds, our method learns a
continuous point-wise velocity field that transports noisy points toward their
target positions, from which part poses are recovered. In contrast to prior
work that regresses part-wise poses with ad-hoc symmetry handling, our method
intrinsically learns assembly symmetries without symmetry labels. Together with
a self-supervised encoder focused on overlapping points, our method achieves a
new state-of-the-art performance on six benchmarks spanning pairwise
registration and shape assembly. Notably, our unified formulation enables
effective joint training on diverse datasets, facilitating the learning of
shared geometric priors and consequently boosting accuracy. Project page:
https://rectified-pointflow.github.io/.