Fluxo de Pontos Retificado: Estimativa Genérica de Pose em Nuvens de Pontos

Rectified Point Flow: Generic Point Cloud Pose Estimation

June 5, 2025

Autores: Tao Sun, Liyuan Zhu, Shengyu Huang, Shuran Song, Iro Armeni

cs.AI

Resumo

Apresentamos o Rectified Point Flow, uma parametrização unificada que formula o registro de nuvens de pontos em pares e a montagem de formas com múltiplas partes como um único problema generativo condicional. Dadas nuvens de pontos não posicionadas, nosso método aprende um campo de velocidade contínuo ponto a ponto que transporta pontos ruidosos em direção às suas posições-alvo, a partir das quais as poses das partes são recuperadas. Em contraste com trabalhos anteriores que regridem poses por parte com tratamento de simetria ad-hoc, nosso método aprende intrinsecamente as simetrias de montagem sem rótulos de simetria. Juntamente com um codificador auto-supervisionado focado em pontos sobrepostos, nosso método alcança um novo estado da arte em seis benchmarks abrangendo registro em pares e montagem de formas. Notavelmente, nossa formulação unificada permite um treinamento conjunto eficaz em diversos conjuntos de dados, facilitando a aprendizagem de priores geométricos compartilhados e, consequentemente, aumentando a precisão. Página do projeto: 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/.