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/.