정규화된 포인트 플로우: 일반적인 포인트 클라우드 포즈 추정

초록

본 논문에서는 점군 간의 쌍별 정합(pairwise point cloud registration)과 다중 부품 형태 조립(multi-part shape assembly)을 단일 조건부 생성 문제로 공식화하는 통합 파라미터화 방법인 Rectified Point Flow를 소개한다. 주어지지 않은 점군을 입력으로 받아, 본 방법은 노이즈가 포함된 점들을 목표 위치로 이동시키는 연속적인 점별 속도장(point-wise velocity field)을 학습하며, 이를 통해 부품의 포즈를 복원한다. 기존 연구들이 임의의 대칭 처리(ad-hoc symmetry handling)를 통해 부품별 포즈를 회귀하는 것과 달리, 본 방법은 대칭 레이블 없이도 내재적으로 조립 대칭성을 학습한다. 또한, 중첩된 점들에 초점을 맞춘 자기 지도(self-supervised) 인코더와 함께, 본 방법은 쌍별 정합 및 형태 조립을 아우르는 여섯 가지 벤치마크에서 새로운 최첨단 성능을 달성한다. 특히, 본 통합 공식화는 다양한 데이터셋에 대한 효과적인 공동 학습을 가능하게 하여, 공유된 기하학적 사전 지식(geometric priors)을 학습하고 결과적으로 정확도를 향상시킨다. 프로젝트 페이지: 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/.

정규화된 포인트 플로우: 일반적인 포인트 클라우드 포즈 추정

Rectified Point Flow: Generic Point Cloud Pose Estimation

초록

Support