ノイズを盛られて位置合わせされる Stanford Bunny
Maximum Correntropy Criterionを用いたrobust rigid registrationの評価例。出典: G. Yang et al., “Robust rigid registration via maximum correntropy criterion: a novel approach”, Figures 6–8, Scientific Reports 16, 24573 (2026).
今回のStanford bunny
Stanford bunnyは、noise、partial data、大きなinitial rotationがあるpoint cloudをどこまで安定してrigid registrationできるかを調べるbenchmarkに使われています。
きれいなデータだけではなく、観測点へnoiseを加えたり、一部を切り落としたり、初期姿勢を大きくずらした条件で比較します。
今回は位置合わせされる前に、わざわざ条件を悪くするためのノイズまで盛られます。
今回の扱い：noise・欠損・大きな姿勢差を与えられ、robust registrationされる
状態：その他（点群を劣化させて評価）
論文の内容
Least squaresの外れ値問題
rigid registrationでは対応点のdistanceを二乗和で最小化する方法が広く使われます。しかしoutlierのresidualは二乗で大きく効くため、誤対応やnoiseが強いとtransform推定が引っ張られます。
研究はMaximum Correntropy Criterionをobjectiveへ導入し、大きなresidualの影響を抑えるrobust estimationを行います。
Correntropy
correntropyは二つのrandom variableのsimilarityをkernelで評価する考え方です。Gaussian kernelを使う場合、residualが小さい対応は大きく評価し、residualが大きい点の寄与は急速に小さくなります。
これによりhard thresholdでoutlierを完全に捨てるのではなく、residualに応じて連続的にweightを変えられます。
Iterative registration
現在のtransformからcorrespondenceとresidualを計算し、correntropy由来のweightを使ってrotation / translationを更新します。これを収束まで反復します。
robust lossとrigid transform estimationを組み合わせることで、初期値やdata corruptionに対する安定性を高めます。
評価
noise level、partial overlap、initial rotationを変え、既存registration法と比較します。複数の困難条件で提案法が低いregistration errorを維持することを示しています。
制約
kernel bandwidthはrobustnessとconvergenceへ影響します。小さすぎると正しい対応まで弱くなり、大きすぎるとleast-squaresに近づきます。
また大きな初期姿勢差でcorrespondence自体がほぼ誤っている場合、robust lossだけではglobal registration問題を完全には解決できません。
論文情報
Robust rigid registration via maximum correntropy criterion: a novel approach
- Published: 2026年5月29日
- Version of Record: 2026年8月10日
- Scientific Reports 16, 24573
- DOI: https://doi.org/10.1038/s41598-026-54524-x
- 分野: Point Cloud Registration / Robust Estimation
- 使用モデル: Stanford bunny
- 使用箇所: Figures 6・7・8
- 用途: noise、partial cutting、大きなinitial rotation下のrigid registration評価