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/.