Flujo de Puntos Rectificado: Estimación Genérica de la Pose en Nubes de Puntos

Rectified Point Flow: Generic Point Cloud Pose Estimation

June 5, 2025

Autores: Tao Sun, Liyuan Zhu, Shengyu Huang, Shuran Song, Iro Armeni

cs.AI

Resumen

Presentamos Rectified Point Flow, una parametrización unificada que formula el registro de nubes de puntos por pares y el ensamblaje de formas multiparte como un único problema generativo condicional. Dadas nubes de puntos sin posicionar, nuestro método aprende un campo de velocidad continuo punto a punto que transporta los puntos ruidosos hacia sus posiciones objetivo, a partir de las cuales se recuperan las poses de las partes. A diferencia de trabajos previos que regresan poses por partes con manejo ad-hoc de simetrías, nuestro método aprende intrínsecamente las simetrías de ensamblaje sin etiquetas de simetría. Junto con un codificador auto-supervisado enfocado en puntos superpuestos, nuestro método alcanza un nuevo estado del arte en seis benchmarks que abarcan registro por pares y ensamblaje de formas. Cabe destacar que nuestra formulación unificada permite un entrenamiento conjunto efectivo en diversos conjuntos de datos, facilitando el aprendizaje de priores geométricos compartidos y, en consecuencia, mejorando la precisión. Página del proyecto: 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/.