Rectified Point Flow: Универсальное оценивание позы облака точек
Rectified Point Flow: Generic Point Cloud Pose Estimation
June 5, 2025
Авторы: Tao Sun, Liyuan Zhu, Shengyu Huang, Shuran Song, Iro Armeni
cs.AI
Аннотация
Мы представляем Rectified Point Flow — унифицированную параметризацию, которая формулирует попарную регистрацию облаков точек и сборку многокомпонентных форм как единую задачу условной генерации. Для заданных невыровненных облаков точек наш метод изучает непрерывное поле точечных скоростей, которое перемещает зашумленные точки к их целевым позициям, из которых восстанавливаются положения частей. В отличие от предыдущих работ, которые регрессируют положения частей с использованием ad-hoc обработки симметрий, наш метод внутренне изучает симметрии сборки без использования меток симметрии. В сочетании с самообучаемым кодировщиком, ориентированным на перекрывающиеся точки, наш метод достигает нового уровня производительности на шести тестовых наборах, охватывающих попарную регистрацию и сборку форм. Примечательно, что наша унифицированная формулировка позволяет эффективно проводить совместное обучение на разнообразных наборах данных, способствуя изучению общих геометрических приоритетов и, как следствие, повышая точность. Страница проекта: 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/.