汎化性と堅牢性を備えた点群レジストレーションのためのRegister Anything Model

arXiv は 2026 年 10 月 20 日（火）18:40:50 UTC に、Zheng Qin 氏ほか計 8 名による論文「Register Anything Model for Generalizable and Robust Point Cloud Registration（汎化性とロバスト性を備えた点群レジストレーションのための『何でもレジストレーション・モデル』）」を受理した。論文番号は arXiv:2610.28821v1、分類はコンピュータビジョンとパターン認識（cs.CV）で、原稿のサイズは約 10,590 KB である。本論文は Register Anything Model（RAM）を提案する。これは、センサーや環境をまたぐ多様なドメインにわたって 6 自由度（6-DoF）変換をロバストに推定する、汎化可能な 3D 点群レジストレーションのための統一モデルである。著者らによれば、既存のレジストレーション手法は通常、単一のドメイン向けにアーキテクチャとハイパーパラメータを入念に調整して作られており、新しいドメインに適用すると性能が著しく低下する。このギャップを埋めるため、研究チームは屋内・屋外・物体という 3 つのドメインの多様なデータで単一モデルを学習した。著者が強調する中心的課題は、ドメイン間の深刻な幾何学的差異、すなわちシーンのスケール、センサーノイズ、点密度、構造パターンの違いであり、これが統一的な点ベースモデルによる処理を妨げている。これに対処するため、著者らは幾何認識型の正規化戦略を導入する。これは点群の幾何学的性質に応じて適応的にボクセル化と正規化を同時に行い、点群を標準化された幾何空間へ写像するもので、分解能を標準化しつつ顕著な局所構造を保持する。この正規化の上に、RAM は階層的な粗から細への（coarse-to-fine）パラダイムを採り、全点に対して大域的にではなく局所的な幾何的一貫性をモデル化する効率的な幾何 Transformer を用いる。著者によれば、この設計はボクセル化に伴う離散化ノイズを緩和し、計算効率も向上させる。12 のベンチマークでの大規模な実験により、本手法はインライア率（inlier ratio）とレジストレーション再現率（registration recall）の両指標で最先端の性能を示した。特筆すべきは、本手法が各ドメインごとに個別に学習した比較手法を上回り、より優れた汎化能力を持つことを示した点である。本論文は NeurIPS 2026 に採択されており、コードとモデルは論文内で示されたリンクで公開されている。引用形式は arXiv:2610.28821 [cs.CV]、DOI は https://doi.org/10.48550/arXiv.2610.28821（DataCite による発行、登録待ち）である。arXiv のページでは PDF、実験的な HTML、TeX ソース、ライセンス情報に加え、音声要約、参考文献・引用ツール、コード検索、関連論文の推薦などの追加機能も提供されている。arXivLabs に関する案内もページに記載されている。