Flusso di Punti Rettificato: Stima Generica della Posizione delle Nuvole di Punti
Rectified Point Flow: Generic Point Cloud Pose Estimation
June 5, 2025
Autori: Tao Sun, Liyuan Zhu, Shengyu Huang, Shuran Song, Iro Armeni
cs.AI
Abstract
Introduciamo Rectified Point Flow, una parametrizzazione unificata che formula
la registrazione pairwise di nuvole di punti e l'assemblaggio di forme multi-parte come un singolo
problema generativo condizionale. Date nuvole di punti non posizionate, il nostro metodo apprende un
campo di velocità puntuale continuo che trasporta i punti rumorosi verso le loro
posizioni target, dalle quali vengono recuperate le pose delle parti. A differenza dei lavori precedenti
che regrediscono le pose delle parti con una gestione ad-hoc delle simmetrie, il nostro metodo
apprende intrinsecamente le simmetrie di assemblaggio senza etichette di simmetria. Insieme a
un encoder auto-supervisionato focalizzato sui punti sovrapposti, il nostro metodo raggiunge una
nuova performance state-of-the-art su sei benchmark che coprono la registrazione pairwise
e l'assemblaggio di forme. In particolare, la nostra formulazione unificata consente
un addestramento congiunto efficace su dataset diversi, facilitando l'apprendimento di
prior geometriche condivise e, di conseguenza, migliorando l'accuratezza. Pagina del progetto:
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/.