ChatPaper.aiChatPaper

Flux de Points Rectifié : Estimation Générique de la Pose des Nuages de Points

Rectified Point Flow: Generic Point Cloud Pose Estimation

June 5, 2025
Auteurs: Tao Sun, Liyuan Zhu, Shengyu Huang, Shuran Song, Iro Armeni
cs.AI

Résumé

Nous présentons Rectified Point Flow, une paramétrisation unifiée qui formule l’enregistrement de nuages de points par paires et l’assemblage de formes multi-parties comme un problème génératif conditionnel unique. Étant donné des nuages de points non positionnés, notre méthode apprend un champ de vitesse ponctuel continu qui transporte les points bruités vers leurs positions cibles, à partir desquelles les poses des parties sont récupérées. Contrairement aux travaux antérieurs qui régressent les poses par partie avec une gestion ad hoc des symétries, notre méthode apprend intrinsèquement les symétries d’assemblage sans étiquettes de symétrie. Associée à un encodeur auto-supervisé axé sur les points qui se chevauchent, notre méthode atteint une nouvelle performance de référence sur six benchmarks couvrant l’enregistrement par paires et l’assemblage de formes. Notamment, notre formulation unifiée permet un entraînement conjoint efficace sur des ensembles de données diversifiés, facilitant l’apprentissage de préconnaissances géométriques partagées et améliorant ainsi la précision. Page du projet : 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/.
PDF32June 6, 2025