Robust Shape Registration using Fuzzy Correspondences
University of Delaware（特拉华大学）
形状配准是将一个3D模型与另一个3D模型对齐的过程。大多数以前的方法来对齐形状没有已知的对应关系，试图解决这两个变换和对应迭代。我们提出了一种形状注册的方法，解决了使用模糊对应的变换，以最大限度地提高给定的形状和目标形状之间的重叠。采用Levenberg-Marquardt方法从粗到精进行优化。真实和合成实验表明，我们的方法是强大的，优于其他国家的最先进的方法时，点云是嘈杂的，稀疏的，并具有不均匀的密度。实验结果表明，该方法对初始化具有较强的鲁棒性，能够处理较大尺度的变化和旋转。我们还表明，该方法可以用于2D-3D对齐通过射线点对齐。
2017-02-18 cs.CV
Correspondence-Free Point Cloud Registration with SO(3)-Equivariant Implicit Shape Representations
University of Michigan（密歇根大学）
提出了一种点云旋转配准的无对应方法。我们学习了特征空间中每个点云的嵌入，该特征空间保留了SO（3）-等方差属性，这是由等变神经网络的最新发展实现的。通过将等变特征学习与隐式形状模型相结合，所提出的形状配准方法实现了三个主要优点。首先，数据关联的必要性被删除，因为在类似于PointNet的网络架构中的置换不变属性。其次，由于SO（3）-等方差性质，特征空间中的配准可以使用Horn方法以封闭形式求解。第三，由于配准和隐式形状重建的联合训练，配准对点云中的噪声具有鲁棒性。实验结果表明，与现有的无对应深度配准方法相比，该方法具有更好的性能。
2021-11-25 cs.CV cs.LG
Correspondence-Free Multiview Point Cloud Registration via Depth-Guided Joint Optimisation
Robotics Institute, Faculty of Engineering and Information Technology, University of Technology Sydney（机器人研究所，工程与信息技术学院，新南威尔士大学）；School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学）
本文提出一种无对应多视角点云配准方法，通过将全局地图表示为深度图并利用原始深度信息构建非线性最小二乘优化，联合估计点云位姿与全局地图，在复杂环境中精度优于现有先进方法。
2025-06-18 cs.CV cs.RO
PARTE: Plane-Assisted Robust Transformation Estimation for Point Cloud Registration
Colorado School of Mines（科罗拉多矿业大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；U.S. Army Combat Capabilities Development Command, Army Research Laboratory（美国陆军作战能力发展司令部陆军研究实验室）
PARTE利用平面结构作为互补证据，通过新颖的平面上下文直方图描述符和两级匹配，结合置信度加权图进行联合离群点剔除，实现鲁棒的全局点云配准，在多个基准上取得最高成功率。
2026-09-25 cs.CV cs.RO
VRHCF: Cross-Source Point Cloud Registration via Voxel Representation and Hierarchical Correspondence Filtering
National Key Lab of Autonomous Intelligent Unmanned Systems（自主智能无人系统全国重点实验室）；School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）
提出VRHCF框架，采用球状体素特征表示与层次化对应过滤，解决跨源点云配准中密度分布差异及大量离群点问题，在3DMatch和3DCSR数据集上取得最优配准性能。
2024-03-15 cs.CV
TriVoC: Efficient Voting-based Consensus Maximization for Robust Point Cloud Registration with Extreme Outlier Ratios
East China University of Science and Technology（华东理工大学）；Shanghai FOCS Instrument Analysis Co., Ltd.（上海福斯仪器分析有限公司）
基于对应关系的点云配准是机器人感知和计算机视觉的基石，其寻求从假定的对应关系估计对准两个点云的最佳刚性变换。然而，由于3D关键点匹配方法的鲁棒性有限，可能大量的离群点容易存在于对应关系中，这使得鲁棒的配准方法势在必行。不幸的是，现有的鲁棒方法有自己的局限性（例如，高计算成本或有限的鲁棒性）时，面对高或极端的离群值比率，可能不适合实际使用。在本文中，我们提出了一种新的，快速的，确定性和保证鲁棒求解器，名为TriVoC（三层投票与共识最大化），鲁棒注册问题。我们将最小3点集的选择分解为3个连续的层，在每一层中，我们设计了一个有效的投票和对应排序框架的基础上的成对等长约束。以这种方式，可以根据排序序列从缩减的对应集合中独立地选择3点集合，这可以显著降低计算成本，同时只要满足概率终止条件，就可以为实现最大的一致性集合（作为最终的内点集合）提供强有力的保证。各种实验表明，我们的求解器TriVoC对高达99%的离群值具有鲁棒性，即使在极端离群值比率下也具有高精度，高时效性，并且对于现实世界的应用也是实用的，表现出优于其他最先进竞争对手的性能。
2021-11-01 cs.CV cs.RO
Guaranteed Outlier Removal for Point Cloud Registration with Correspondences
The University of Adelaide（阿德莱德大学）
一种已建立的3D点云配准方法是从3D关键点对应关系估计配准函数。通常，需要一种稳健的技术来进行估计，因为存在错误的对应关系或离群值。目前的3D关键点技术比2D技术精确得多，因此它们往往会产生极高的离群值率。因此，必须提取大量的推定对应关系，以确保足够好的对应关系可用。然而，这两个因素（高离群值率，大数据量）导致现有的鲁棒技术需要非常高的计算成本。在本文中，我们提出了一种新的预处理方法称为\emph{guaranteed outlier removal}的点云配准。我们的方法减少了输入到一个较小的集合，在某种程度上，任何拒绝对应保证不存在于全局最优解。使用确定性和快速的纯几何操作来执行减少。我们的方法显著减少了离群值的数量，从而可以快速进行进一步的优化。此外，由于仅去除了真正的离群值，因此保留了全局最优解。在各种合成和真实数据的实验中，我们证明了我们的预处理方法的有效性。演示代码可作为补充材料。
2017-11-28 cs.CV
Leveraging Inlier Correspondences Proportion for Point Cloud Registration
DeepGlint（深瞐科技）；Beihang University（北京航空航天大学）；Shandong University（山东大学）
在基于特征学习的点云配准中，正确的对应关系构造对于后续的变换估计至关重要。然而，它仍然是一个挑战，从点云提取区分特征，特别是当输入是部分和不可区分的表面（平面，光滑表面等）组成。因此，在两个未对齐的点云之间精确匹配点的内点对应的比例超出满意度。出于这一动机，我们设计了几种技术，以提高基于特征学习的点云配准性能，利用内点对应比例：金字塔层次解码器，以表征点特征在多个尺度，一致的投票策略，以保持一致的对应关系和几何引导的编码模块，以考虑几何特征。基于上述技术，我们构建了几何引导的一致性网络（GCNet），并通过室内、室外和以对象为中心的合成数据集对GCNet进行了挑战。综合实验表明，GCNet的性能优于现有的配准方法，并且GCNet中使用的技术与模型无关，可以很容易地移植到其他基于特征的深度学习或传统配准方法中，并显着提高性能。该代码可在https://github.com/zhulf0804/NgeNet上获得。
2022-11-21 cs.CV
A Representation Separation Perspective to Correspondences-free Unsupervised 3D Point Cloud Registration
Northwestern Polytechnical University（西北工业大学）；Baidu Research（百度研究院）；National Engineering Laboratory of Deep Learning Technology and Application（深度学习技术及应用国家工程实验室）
基于深度学习的方法极大地推进了遥感领域中的3D点云配准，其中刚性变换直接从两个点云回归（无对应关系方法）或从学习的对应关系计算（基于对应关系的方法）。现有的无对应关系方法通常学习整个点云的整体表示，这对于部分和噪声点云是脆弱的。在本文中，我们提出了一个对应的自由无监督点云配准（UPCR）方法从表示分离的角度。首先，我们将输入点云建模为姿态不变表示和姿态相关表示的组合。其次，使用姿态相关表示来分别学习源和目标点云的相对姿态Wrt“潜在的标准形状”。第三，从上述两个学习的相对姿势获得刚性变换。我们的方法不仅过滤掉姿态不变表示中的干扰，而且对部分到部分点云或噪声具有鲁棒性。在基准数据集上的实验表明，我们的无监督方法即使没有比最先进的监督配准方法更好的性能，也可以与之媲美。
2022-03-24 cs.CV
SDRSAC: Semidefinite-Based Randomized Approach for Robust Point Cloud Registration without Correspondences
Singapore University of Technology and Design（新加坡科技设计大学）；University of Liverpool（利物浦大学）；AIOZ Pte Ltd（AIOZ私人有限公司）
提出了一种新的无对应点云鲁棒配准的随机算法。大多数现有的注册方法需要一组假定的对应关系，通过提取不变的描述符。然而，这种描述符在嘈杂和污染的环境中可能变得不可靠。在这些设置中，直接处理输入点集的方法更可取。然而，如果没有对应关系，传统的随机化技术需要非常大量的样本，以达到令人满意的解决方案。在本文中，我们提出了一种新的方法来解决这个问题。特别是，我们的工作使点云注册的随机方法的使用，而不需要假定的对应关系。通过将点云对齐视为图匹配的一种特殊情况，并采用有效的半定松弛，我们提出了一种新的采样机制，其中采样子集的大小可以大于最小值。我们的紧松弛方案可以快速拒绝采样集中的离群值，从而产生高质量的假设。我们进行了大量的实验，以证明我们的方法优于其他国家的最先进的方法。重要的是，我们提出的方法作为一个通用的框架，可以扩展到已知的对应问题。
2019-04-14 cs.CV
A New Outlier Removal Strategy Based on Reliability of Correspondence Graph for Fast Point Cloud Registration
School of Geodesy and Geomatics, Wuhan University（武汉大学测绘学院）
针对高外点率下点云配准效率与精度不足的问题，提出基于对应图节点和边可靠度的GROR外点剔除策略，可在超过99%外点率时快速准确配准。
2022-05-16 cs.CV
Robust Point Cloud Registration Framework Based on Deep Graph Matching(TPAMI Version)
Fudan University（复旦大学）；Digital Medical Research Center（数字医学研究中心）；School of Basic Medical Science（基础医学院）；Shanghai Key Laboratory of Medical Image Computing and Computer Assisted Intervention（上海市医学影像计算与计算机辅助干预重点实验室）
三维点云配准是计算机视觉和机器人学中的一个基本问题。近年来，基于学习的点云配准方法取得了很大的进展。然而，这些方法是敏感的离群值，这导致更多的不正确的对应关系。在本文中，我们提出了一种新的基于深度图匹配的点云配准框架。具体来说，我们首先将点云转换为图形，并提取每个点的深层特征。然后，我们开发了一个基于深度图匹配的模块来计算软对应矩阵。利用图匹配建立对应关系时，不仅考虑了点的局部几何特征，而且考虑了点在更大范围内的结构和拓扑特征，从而找到了更多正确的对应关系，并对网络进行了训练，损失直接定义在对应关系上，并且在测试阶段，软对应被转换为硬一一对应，使得可以通过对应来执行配准。基于solver此外，我们引入了一种基于变换的方法来生成用于图构造的边，这进一步提高了对应关系的质量。在对象级和场景级基准数据集上的大量实验表明，该方法达到了最先进的性能。代码可在以下网址获得：\href{https://github.com/fukexue/RGM}{https://github.com/fukexue/RGM}。
2022-11-09 cs.CV
(Just) A Spoonful of Refinements Helps the Registration Error Go Down
Instituto Superior Técnico（高等技术学院）；Technical University of Munich（慕尼黑工业大学）；Fondazione Istituto Italiano di Tecnologia（意大利技术研究院）
我们处理数据驱动的3D点云配准。给定点对应，标准Kabsch算法提供最佳旋转估计。这允许通过区分SVD操作以端到端的方式训练配准模型。然而，考虑到Kabsch提供的初始旋转估计，我们可以通过扩展原始优化问题来改进模型训练期间的点对应学习。特别是，我们线性化的旋转矩阵的控制约束，并解决由此产生的线性方程组。然后，我们通过更新初始估计迭代地产生新的解决方案。我们的实验表明，通过将我们的可区分层插入到现有的基于学习的配准方法中，我们提高了对应匹配质量。这使得基于对应的数据驱动配准方法的旋转误差降低了7%。
2021-08-06 cs.CV
Efficient and Deterministic Search Strategy Based on Residual Projections for Point Cloud Registration with Correspondences
Technical University of Munich（慕尼黑工业大学）；University of Macau（澳门大学）；Northwestern Polytechnical University（西北工业大学）
针对带对应关系点云配准中BnB搜索六维空间效率低的问题，提出基于残差投影的三位姿子问题解耦与区间穿刺BnB方法，在保持鲁棒性的同时显著提升效率。
2024-05-11 cs.CV
Fast and Robust Registration of Partially Overlapping Point Clouds
WMG, University of Warwick（华威大学制造工程学院）
部分重叠点云的实时配准在自主车辆和多智能体SLAM的协作感知中有着新兴的应用。这些应用中的点云之间的相对平移高于传统的SLAM和里程计应用，这对对应关系的识别和成功配准提出了挑战。在本文中，我们提出了一种新的注册方法，部分重叠的点云，其中的对应关系是学习使用一个有效的逐点特征编码器，并使用基于图形的注意力网络细化。该注意力网络利用关键点之间的几何关系来改善具有低重叠的点云中的匹配。在推理时，通过样本一致性鲁棒地拟合对应关系来获得相对姿态变换。评估是在KITTI数据集和一个新的合成数据集上进行的，该数据集包括位移高达30米的低重叠点云。该方法在KITTI数据集上实现了与最先进方法相同的性能，并且在低重叠点云上优于现有方法。此外，所提出的方法实现了显著更快的推理时间，低至410ms，比竞争方法快5到35倍。我们的代码和数据集可以在https://github.com/eduardohenriquearnold/fastreg上找到。
2021-12-18 cs.CV cs.RO
Scale-Invariant Fast Functional Registration
Northwestern University（西北大学）；Yale University（耶鲁大学）
函数配准算法将点云表示为函数（例如空间占用场），避免了传统最小二乘配准算法中不可靠的对应估计。然而，现有的功能配准算法是计算昂贵的。此外，在诸如基于CAD模型的对象定位之类的任务中，具有未知尺度的配准能力是必要的，但在功能配准中不存在这样的支持。在这项工作中，我们提出了一个尺度不变，线性时间复杂度的功能注册算法。我们实现了线性时间复杂度，通过一个有效的近似的L2距离的功能，使用正交基函数。正交基函数的使用导致与最小二乘配准兼容的制剂。利用最小二乘原理，利用平移-旋转不变测量理论对尺度估计进行解耦，从而实现尺度不变配准。我们评估所提出的算法，名为FLS（功能最小二乘），在标准的3D配准基准，显示FLS是一个数量级的速度比国家的最先进的功能配准算法，而不影响精度和鲁棒性。FLS在精度和鲁棒性方面也优于最先进的基于对应关系的最小二乘配准算法，具有已知和未知的尺度。最后，我们演示了应用FLS注册点云与不同的密度和部分重叠，点云从同一类别内的不同对象，和点云从现实世界中的对象与嘈杂的RGB-D测量。
2022-09-26 cs.CV cs.RO
Cross-Coordinate Correspondence Pruning for Image-to-Point Cloud Registration
研究图像到点云配准问题，提出交叉坐标对应关系修剪（CCP）策略，通过投影统一坐标、轻量级网络预测内点置信度及多密度点集成策略，提升配准精度，性能比现有方法至少高8.6%。
2026-07-21 cs.CV
Deep Graph-based Spatial Consistency for Robust Non-rigid Point Cloud Registration
National University of Defense Technology（国防科技大学）；Technical University of Munich（慕尼黑工业大学）
研究了非刚性点云配准中的离群点对应修剪问题。在刚性配准中，空间一致性一直是区分离群点和内点的常用标准。它通过两个点云中各自距离之间的差异来衡量两个对应关系的兼容性。然而，空间一致性不再持有在非刚性的情况下和离群拒绝非刚性配准还没有得到很好的研究。在这项工作中，我们提出了基于图的空间一致性网络（GraphSCNet）过滤非刚性配准的离群值。我们的方法是基于这样一个事实，即非刚性变形通常是局部刚性的，或局部形状保持。首先，我们设计了一个局部空间一致性措施的变形图的点云，它评估的空间兼容性之间的对应关系在附近的一个图形节点。然后设计了一个基于注意力的非刚性对应嵌入模块，从局部空间一致性中学习非刚性对应的鲁棒表示。尽管它很简单，但GraphSCNet有效地提高了假定对应的质量，并在三个具有挑战性的基准测试中达到了最先进的性能。我们的代码和模型可以在https://github.com/qinzheng93/GraphSCNet上找到。
2023-03-17 cs.CV
COTReg:Coupled Optimal Transport based Point Cloud Registration
University of Technology Sydney（悉尼科技大学）；University of Sydney（悉尼大学）；University of Western Australia（西澳大学）
生成一组高质量的对应或匹配是点云配准中最关键的步骤之一。本文提出了一个学习框架COTReg，通过联合考虑点态匹配和结构匹配来预测3D点云配准的对应关系。具体来说，我们将这两个匹配到一个Wasserstein距离为基础的和Gromov-Wasserstein距离为基础的优化，分别。因此，建立对应关系的任务可以自然地重塑为一个耦合的最优运输问题。此外，我们还设计了一个网络来预测点云中每个点的内点置信度，从而提供重叠区域信息来生成对应关系。我们的对应预测管道可以很容易地集成到FCGF等基于学习的特征或FPFH等传统描述符中。我们在3DMatch，KITTI，3DCSR和ModelNet 40基准测试上进行了全面的实验，显示了所提出的方法的最新性能。
2022-10-07 cs.CV
RANSIC: Fast and Highly Robust Estimation for Rotation Search and Point Cloud Registration using Invariant Compatibility
East China University of Science and Technology（华东理工大学）
基于对应的旋转搜索和点云配准是机器人和计算机视觉中的两个基本问题。然而，离群点的存在，有时甚至占据了绝大多数的假定对应，可以使许多现有的算法要么失败，或有非常高的计算成本。在本文中，我们提出了RANSIC（随机抽样与不变相容性），一个快速和高度鲁棒性的方法适用于这两个问题的基础上，一个新的范例相结合的随机抽样与不变性和兼容性。RANSIC一般从对应集中随机选取小子集开始，通过对每个问题建立的不变量进行相容性检验，从随机子集中寻找潜在的内点作为图的顶点，当至少存在一个K度顶点时，返回符合条件的内点（K根据问题自动更新），并且残差同时满足一定的终止条件。在多个合成和真实实验中，我们证明了RANSIC使用速度快，对超过95%的离群值具有鲁棒性，并且能够召回大约100%的内点，在旋转搜索和点云配准问题上优于其他最先进的求解器。
2021-04-21 cs.CV cs.RO
DeepCLR: Correspondence-Less Architecture for Deep End-to-End Point Cloud Registration
Ulm University（乌尔姆大学）
这项工作解决了使用深度神经网络的点云配准问题。我们提出了一种方法来预测两个点云重叠的数据内容，但位移的起源之间的对齐。这样的点云例如源自安装在移动平台上的LiDAR的连续测量。原始点云深度配准的主要难点是模板与源点云的融合。我们提出的架构应用流嵌入来解决这个问题，它生成描述每个模板点的运动的特征。然后，这些特征用于以端到端的方式预测对齐，而不提取两个输入云之间的显式点对应。我们依靠KITTI里程计和ModelNet40数据集来评估我们在各种点分布上的方法。我们的方法实现了最先进的精度和最低的运行时间的比较方法。
2021-01-13 cs.CV
CorrI2P: Deep Image-to-Point Cloud Registration via Dense Correspondence
City University of Hong Kong（香港城市大学）；Tianjin University（天津大学）
出于直觉，在相应的3D点云中定位2D图像的关键步骤是在它们之间建立2D-3D对应关系，我们提出了第一个基于特征的密集对应框架，用于解决图像到点云配准问题，称为CorrI 2 P，它由三个模块组成，即，特征嵌入、对称重叠区域检测和通过所建立的对应关系的姿态估计。具体来说，给定一对2D图像和3D点云，我们首先将它们转换到高维特征空间，并将所得特征馈送到对称重叠区域检测器中，以确定图像和点云相互重叠的区域。然后，我们使用重叠区域的特征来建立2D-3D对应关系，然后在RANSAC内运行EPRECT来估计相机的姿态。在KITTI和NuScenes数据集上的实验结果表明，我们的CorrI 2 P显著优于最先进的图像到点云配准方法。我们将公开代码。
2022-09-20 cs.CV cs.MM
Correspondence Free Multivector Cloud Registration using Conformal Geometric Algebra
ISR-IST University of Lisbon（里斯本大学IST-ISR机构）
提出一种基于共形几何代数的无对应多重向量点云配准理论，通过多重线性特征值问题获得几何对象，实现 $SO(4,1)$ 正交变换及旋转、平移等变。
2024-06-17 cs.CV
FlashReg: GPU-Accelerated 3-Clique Point Cloud Registration for Real-Time Correspondence-to-Pose Estimation
School of Computing（计算机学院）；Institute of Science Tokyo（东京科学大学）
FlashReg是面向GPU的点云配准算法，通过优化图构建与3-团搜索，在保持相当召回率的同时降低延迟、减少内存占用，适用于车载感知的高吞吐量配准后端。
2026-08-25 cs.CV cs.DC
Improving RGB-D Point Cloud Registration by Learning Multi-scale Local Linear Transformation
Beihang University（北京航空航天大学）；The University of Sydney（悉尼大学）；The University of Hong Kong（香港大学）
点云配准的目的是估计两个点云扫描之间的几何变换，其中逐点对应性估计是其成功的关键。除了先前通过手工制作或学习几何特征来寻求对应关系的方法之外，最近的点云配准方法试图应用RGB-D数据来实现更准确的对应关系。然而，这是不平凡的，有效地融合几何和视觉信息，从这两个不同的模态，特别是配准问题。在这项工作中，我们提出了一个新的几何感知视觉特征提取器（GAVE），它采用多尺度局部线性变换来逐步融合这两种模式，其中来自深度数据的几何特征作为几何相关的卷积核来转换RGB数据的视觉特征。由此产生的视觉几何特征是在规范的特征空间与减轻视觉不相似所造成的几何变化，通过它可以实现更可靠的对应关系。建议的GAVE模块可以很容易地插入到最近的RGB-D点云配准框架。在3D Match和ScanNet上的大量实验表明，即使没有对应关系或姿势监督，我们的方法也优于最先进的点云配准方法。该代码可从以下网址获取：https://github.com/514DNA/LLT。
2022-09-01 cs.CV
Multi-Features Guidance Network for partial-to-partial point cloud registration
针对混合特征所带来的维数差异大、语义鸿沟大、相互干扰等问题，提出了一种新的多特征引导网络（Multi-Features Guidance Network，MFG）用于部分点云配准。该网络主要包括关键点特征提取、对应搜索、对应可信度计算和奇异值分解四个部分，其中对应搜索和对应可信度计算是网络的核心。与以前的工作不同，我们利用形状特征和空间坐标来指导对应搜索独立和融合的匹配结果，以获得最终的匹配矩阵。在对应关系可信度计算模块中，根据特征匹配矩阵和坐标匹配矩阵之间的冲突关系，对每个对应关系进行可信度评分，减少了不匹配点或不匹配点的影响。实验结果表明，我们的网络优于目前的最先进的，同时保持计算效率。
2021-09-10 cs.CV
Point Cloud Registration via Probabilistic Self-Update Local Correspondence and Line Vector Sets
Department of Computer Science and Information Engineering, National Taiwan University of Science and Technology（资讯工程系，国立台湾科技大学）
本文提出一种快速有效的点云配准算法，结合概率自更新局部对应与线向量集，通过双RANSAC模型提升精度与效率，实现更优的配准性能。
2026-04-29 cs.CV
Learning Instance-Aware Correspondences for Robust Multi-Instance Point Cloud Registration in Cluttered Scenes
National University of Defense Technology（国防科技大学）；Defense Innovation Institute, Academy of Military Sciences（军事科学院国防创新研究院）
针对杂乱场景多实例点云配准中对应关系易受背景和其他实例干扰的问题，提出由粗到细的 MIRETR，利用实例掩码提取可靠对应并进行候选优化，在 ROBI 上 F1 提升 16.6 分。
2024-04-06 cs.CV
Diff$^2$I2P: Differentiable Image-to-Point Cloud Registration with Diffusion Prior
Tsinghua University（清华大学）；Shanghai AI Laboratory（上海人工智能实验室）
提出Diff$^2$I2P，利用扩散先验和可微分模块弥合图像与点云模态差距，提升跨模态配准性能，在7-Scenes基准上召回率提升超7%。
2025-07-09 cs.CV
Multi-Model 3D Registration: Finding Multiple Moving Objects in Cluttered Point Clouds
Massachusetts Institute of Technology（麻省理工学院）；University of Wisconsin at Madison（威斯康星大学麦迪逊分校）
本文研究了多模型3D配准问题，旨在同时重建杂乱点云中多个运动物体的位姿变化，提出了一种基于期望最大化（EM）的方法，并在理论和实验上验证了其在动态场景中联合估计传感器自身运动与多物体运动的有效性。
2024-02-16 cs.CV cs.RO
CoFiNet: Reliable Coarse-to-fine Correspondences for Robust Point Cloud Registration
Technical University of Munich（慕尼黑工业大学）；National University of Defense Technology（国防科技大学）；Siemens AG（西门子股份公司）
我们研究的问题，提取一对点云之间的对应注册。对于对应检索，现有的作品受益于匹配从密集点检测到的稀疏关键点，但通常难以保证其可重复性。为了解决这个问题，我们提出了CoFiNet -从粗到细的网络，它从粗到细提取层次对应关系，而无需关键点检测。在粗尺度上，并通过加权方案的指导下，我们的模型首先学习匹配下采样的节点，其附近的点共享更多的重叠，这显着缩小了连续阶段的搜索空间。在更精细的尺度上，节点建议被连续扩展到由点组和相关描述符组成的补丁。然后，通过能够处理变化的点密度的密度自适应匹配模块，从对应的补丁的重叠区域中细化点对应。在室内和室外标准基准上对CoFiNet进行的广泛评估表明了我们优于现有方法的优势。特别是在点云重叠较少的3DLoMatch上，CoFiNet在配准召回方面的表现明显优于最先进的方法至少5%，最多只有其参数的三分之二。
2021-10-26 cs.AI cs.CV
Multi-instance Point Cloud Registration by Efficient Correspondence Clustering
Shanghai Jiao Tong University（上海交通大学）
我们解决的问题，估计多个实例的源点云内的目标点云的构成。现有的解决方案需要对大量的假设进行采样以检测可能的实例并拒绝离群值，当实例和离群值的数量增加时，其鲁棒性和效率显着降低。我们建议直接组成不同的集群的基础上的距离不变性矩阵的噪声对应的集合。通过聚类自动识别实例和离群值。我们的方法是强大的和快速的。我们在合成和真实世界的数据集上评估了我们的方法。实验结果表明，该方法在存在70%离群点的情况下，可以正确配准20个实例，F1得分为90.46%，性能明显优于现有方法，至少快10倍
2022-03-27 cs.CV
Robust Point Cloud Registration Framework Based on Deep Graph Matching
Digital Medical Research Center（数字医学研究中心）；School of Basic Medical Science（基础医学院）；Fudan University（复旦大学）；Shanghai Key Lab of Medical Image Computing and Computer Assisted Intervention（上海医学影像计算与计算机辅助介入重点实验室）
三维点云配准是计算机视觉和机器人学中的一个基本问题。在这方面已经有了广泛的研究，但现有的方法遇到了很大的挑战，在大比例的离群值和时间限制的情况下，但没有良好的转换初始化。最近，一系列基于学习的算法已经被引入，并显示出速度上的优势。它们中的许多基于两个点云之间的对应关系，因此它们不依赖于变换初始化。然而，这些基于学习的方法对异常值敏感，这导致更多的不正确的对应关系。在本文中，我们提出了一种新的基于深度图匹配的点云配准框架。具体来说，我们首先将点云转换为图形，并提取每个点的深层特征。然后，我们开发了一个基于深度图匹配的模块来计算软对应矩阵。利用图匹配建立对应关系时，不仅考虑了点的局部几何特征，而且考虑了点在更大范围内的结构和拓扑特征，从而找到了更多正确的对应关系，并对网络进行了训练，损失直接定义在对应关系上，在测试阶段，软对应关系被转换为硬对应关系，一个对应关系使得可以通过奇异值分解来执行配准。此外，我们引入了一种基于变换的方法来生成用于图构造的边，这进一步提高了对应关系的质量。大量的实验表明，该方法实现了最先进的性能注册干净，嘈杂，部分到部分和看不见的类别点云。该守则将在www.example.com上公布。
2021-03-07 cs.CV
HRegNet: A Hierarchical Network for Large-scale Outdoor LiDAR Point Cloud Registration
Tongji University（同济大学）；Technische Universität München（慕尼黑工业大学）；ETH Zurich（苏黎世联邦理工学院）；Westwell lab（西井实验室）
点云配准是三维计算机视觉中的一个基本问题。室外LiDAR点云通常规模大且分布复杂，这使得配准具有挑战性。在本文中，我们提出了一个高效的分层网络命名为HRegNet的大规模户外激光雷达点云配准。HRegNet不是使用点云中的所有点，而是对分层提取的关键点和描述符进行配准。整个框架结合了深层的可靠特征和浅层的精确位置信息，实现了鲁棒的精确配准。我们提出了一个对应网络来生成正确和准确的关键点对应。此外，双边共识和邻域共识的关键点匹配和新的相似性特征的设计，将其纳入对应网络，这显着提高了注册性能。此外，整个网络也是高效的，因为只有少量的关键点用于注册。在两个大型室外LiDAR点云数据集上进行了大量实验，以证明所提出的HRegNet的高精度和效率。该项目的网站是https://ispc-group.github.io/hregnet。
2021-07-26 cs.CV
QuadricsReg: Large-Scale Point Cloud Registration using Quadric Primitives
School of Computer Science, Wuhan University（武汉大学计算机学院）；School of Electronic Information, Wuhan University（武汉大学电子信息学院）
提出 QuadricsReg 方法，利用二次曲面基元、兼容性图最大团及退化感知因子图优化实现大规模点云 6-DoF 配准，并在多个公开与异构实测数据集上验证其高精度与泛化性。
2024-12-04 cs.CV cs.GR cs.RO
Pairwise Point Cloud Registration using Graph Matching and Rotation-invariant Features
Technical University of Munich（慕尼黑工业大学）；The Hong Kong Polytechnic University（香港理工大学）；Tongji University（同济大学）
配准是点云处理中的一项基本而关键的任务，它通常依赖于从两个点云中找到元素对应。然而，找到可靠的对应关系依赖于建立一个强大的和有区别的描述元素和正确匹配的相应元素。在这封信中，我们开发了一种由粗到细的配准策略，该策略利用旋转不变特征和一种新的加权图匹配方法来迭代查找对应关系。在图匹配方法中，利用欧氏空间和特征空间中节点和边的相似度来构造优化函数。所提出的策略进行评估，使用两个基准数据集，并与几个国家的最先进的方法进行比较。关于实验结果，我们提出的方法可以实现一个精细的注册与旋转误差小于0.2度和平移误差小于0.1米。
2021-05-05 cs.CV
PointCLM: A Contrastive Learning-based Framework for Multi-instance Point Cloud Registration
Fudan University（复旦大学）
多实例点云配准是估计源点云实例在目标点云内的多个姿态的问题。解决这个问题是具有挑战性的，因为一个实例的内点对应构成所有其他实例的离群点。现有的方法通常依赖于耗时的假设采样或利用空间一致性的特征，导致性能有限。在本文中，我们提出了PointCLM，一个基于对比学习的多实例点云配准框架。我们首先利用对比学习来学习输入的假定对应的分布良好的深度表示。然后，基于这些表示，我们提出了一个离群修剪策略和聚类策略，有效地删除离群和分配剩余的对应正确的实例。我们的方法在合成和真实数据集上的性能都大大优于最先进的方法。
2022-09-01 cs.CV
Target-less registration of point clouds: A review
ETH Zurich（苏黎世联邦理工学院）
点云配准是点云数据处理的基本步骤之一，在遥感和机器人等领域有着广泛的应用。本文总结了无目标点云配准的基本工作流程，即对应关系确定和变换估计。然后介绍了三种常用的配准方法，即基于特征匹配的方法、迭代最近点算法和基于随机假设和验证的方法。分析了这些方法的优缺点，介绍了它们的常见应用场景.最后，我们讨论了当前点云配准方法所面临的挑战，并提出了自动配准方法未来发展的几个开放性问题。
2019-12-29 cs.CV cs.RO
An Effective Approach for Point Clouds Registration Based on the Hard and Soft Assignments
Xi’an Jiaotong University（西安交通大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；Kyushu Institute of Technology（九州工业大学）
针对部分重叠点云的配准问题，提出了一种基于硬配准和软配准的有效方法。给定两个初始姿态的云，首先为数据形状中的每个点建立正向对应关系，并计算二元变量的值，该值可以指示该点对应关系是否位于重叠区域。然后，建立双边对应关系，计算重叠区域内每个点的双向距离。根据双向距离的比值，选择指数函数计算概率值，该概率值可表征点对应的可靠性。随后，硬分配和软分配的值都被嵌入到所提出的目标函数中，用于部分重叠点云的配准，并提出了一种新的ICP算法变体来获得最佳刚性变换。所提出的方法可以实现良好的点云配准，即使当它们的重叠百分比是低的。在公共数据集上的实验结果表明，该方法在准确性和鲁棒性方面优于以往的方法。
2017-06-01 cs.CV
Correspondence-Free Fast and Robust Spherical Point Pattern Registration
Dept. of Mechanical Engineering, Virginia Tech（机械工程系，弗吉尼亚理工学院）
针对球面点模式配准，提出线性复杂度旋转估计算法SPMC、FRS及混合方法，在无对应和异常值下比现有方法快且准10倍以上，并适用于点云配准和球面图像。
2025-08-04 cs.CV cs.RO
Deep Hough Voting for Robust Global Registration
POSTECH（浦项科技大学）
点云配准是估计对齐一对点云碎片的刚性变换的任务。我们提出了一个有效的和强大的框架，成对登记的真实世界的3D扫描，利用霍夫投票的6D变换参数空间。首先，从点云对中提取深层几何特征以计算推定对应。然后，我们构建了一组三元组的对应关系，在6D Hough空间上投票，表示稀疏张量中的变换参数。接下来，应用完全卷积细化模块来细化噪声投票。最后，我们从霍夫空间中识别出对应关系之间的一致性，我们用它来预测我们最终的变换参数。我们的方法在3DMatch和3DLoMatch基准测试上优于最先进的方法，同时在KITTI里程计数据集上实现了相当的性能。我们通过在ICL-NUIM数据集上设置一个新的最新技术水平来进一步证明我们方法的通用性，在那里我们将我们的模块集成到多路配准管道中。
2021-09-09 cs.CV
Extend Your Own Correspondences: Unsupervised Distant Point Cloud Registration by Progressive Distance Extension
Shanghai Jiao Tong University（上海交通大学）；Donghua University（东华大学）
提出无监督远距离点云配准方法EYOC，通过渐进式距离扩展自监督训练特征提取器，结合空间过滤方案生成高保真对应标签，在低训练成本下实现与监督方法相当的性能且泛化能力更优。
2024-03-27 cs.CV
Iterative Global Similarity Points : A robust coarse-to-fine integration solution for pairwise 3D point cloud registration
Wuhan University（武汉大学）
在本文中，我们提出了一个由粗到细的集成解决方案的启发经典ICP算法，两个改进的混合度量空间（例如，BSC特征和欧几里得几何空间）和全局最佳对应匹配的成对3D点云配准。首先，我们检测点云的关键点，并使用二进制形状上下文（BSC）描述符来编码其局部特征。然后，我们制定的对应匹配任务作为一个能量函数，它模拟的BSC特征和欧氏几何的混合空间上的关键点的全局相似性。然后，我们通过Kuhn-Munkres算法优化能量函数来估计全局最优对应，然后基于对应计算变换。最后，通过最优对应匹配和变换计算相互补充，迭代地优化两点云之间的变换，实现统一框架下的粗到精配准。综合实验结果表明，该算法具有良好的性能，在旋转和平移误差方面均优于现有方法。
2018-08-12 cs.CV
Adaptive Depth-Map-Guided Bundle Adjustment for Correspondence-Free Multi-View Point Cloud Registration
Robotics Institute, Faculty of Engineering and Information Technology, University of Technology Sydney（悉尼科技大学工程与信息技术学院机器人研究所）；School of Informatics, The University of Edinburgh（爱丁堡大学信息学院）
针对工业废钢处理的多视图点云配准难题，提出自适应分层深度图引导的无对应关系捆绑调整框架，在保持低计算成本的同时实现高精度鲁棒重建
2026-09-02 cs.RO
CoFiI2P: Coarse-to-Fine Correspondences for Image-to-Point Cloud Registration
Technical University of Munich（慕尼黑工业大学）；Wuhan University（武汉大学）；Hubei Luojia Laboratory（湖北珞珈实验室）；Nanyang Technological University（南洋理工大学）；Beijing Urban Construction Exploration and Surveying Design Research Institute Co. Ltd.（北京城建勘测设计研究院有限责任公司）；National University of Defense Technology（国防科技大学）
针对现有图像到点云配准易陷入局部最优的问题，提出由粗到精的CoFiI2P网络，通过分层特征提取、粗细匹配结合及EPnP-RANSAC估计变换，在KITTI数据集上实现高精度实时配准且泛化性良好。
2024-09-12 cs.AI cs.CV cs.RO
Quantity-Aware Coarse-to-Fine Correspondence for Image-to-Point Cloud Registration
Zhejiang University（浙江大学）；Heriot-Watt University（赫瑞-瓦特大学）
针对图像与点云跨模态匹配歧义问题，提出数量感知由粗到细对应框架，通过连续相关性监督、重采样先验和置信度排序提升配准精度，并在KITTI Odometry与NuScenes上优于现有方法。
2024-01-18 cs.CV
Non-Rigid Shape Registration via Deep Functional Maps Prior
Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Peng Cheng Lab（鹏城实验室）
本研究提出结合深度函数映射先验的无监督非刚性形状配准框架，融合传统与谱映射方法优势，通过动态对应更新、一致性过滤及姿态回归，仅用少量训练形状即在多基准上取得SOTA，可处理兼具内外大形变的挑战性形状对。
2023-11-08 cs.CV
VRNet: Learning the Rectified Virtual Corresponding Points for 3D Point Cloud Registration
Northwestern Polytechnical University（西北工业大学）
3D点云配准容易受到离群点的影响，离群点被标记为没有对应点的点。为了处理这个问题，广泛采用的策略是仅基于一些准确的对应关系来估计相对姿态，这通过在所识别的内点上建立对应关系或通过选择可靠的内点来实现。然而，这些方法通常是复杂和耗时的。相比之下，基于虚拟点的方法统一学习所有源点的虚拟对应点（VCP），而不区分离群点和内点。虽然这种策略是时间有效的，学习的VCP通常表现出严重的崩溃退化，由于监督不足和固有的分布限制。在本文中，我们建议利用这两个世界的最佳，并提出了一种新的强大的三维点云配准框架。我们遵循基于虚拟点的方法的思想，但学习一种新类型的虚拟点，称为整流虚拟对应点（RCP），它被定义为与源具有相同形状和与目标具有相同姿态的点集。因此，一对一致的点云，即源和RCP，通过校正VCP到RCP（VRNet），通过它可以准确地获得源和RCP之间的可靠对应关系。由于源和RCP之间的相对位姿与源和目标之间的相对位姿相同，因此可以自然地配准输入点云。具体来说，我们首先通过使用估计的软匹配矩阵对目标点进行加权平均来构造初始VCP。然后，我们设计了一个校正行走模块来学习一个偏移量，将VCP校正为RCP，有效地打破了VCP的分布限制。最后，我们开发了一个混合损失函数，以加强形状和几何结构的一致性。
2022-03-24 cs.CV
Cross-PCR: A Robust Cross-Source Point Cloud Registration Framework
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）
本文提出Cross-PCR框架，通过密度鲁棒编码器和“宽松生成、严格选择”的从松到紧匹配策略，解决跨源点云密度不一致与匹配困难问题，在3DCSR和3DMatch上显著提升配准召回率与鲁棒性。
2024-12-25 cs.CV
PointDSC: Robust Point Cloud Registration using Deep Spatial Consistency
Hong Kong University of Science and Technology（香港科技大学）；City University of Hong Kong（香港城市大学）
去除离群点对应关系是基于特征的点云配准成功的关键步骤之一。尽管在该领域引入深度学习方法越来越受欢迎，但空间一致性基本上是通过点云之间的欧几里得变换建立的，在现有的学习框架中几乎没有受到任何关注。在本文中，我们提出了PointDSC，这是一种新型的深度神经网络，它显式地将空间一致性用于修剪离群值对应。首先，我们提出了一个非局部特征聚合模块，加权的特征和空间相干性，特征嵌入的输入对应。其次，我们制定了一个可微的光谱匹配模块，监督成对的空间兼容性，估计每个对应的嵌入功能的内点置信度。在适度的计算成本下，我们的方法在几个真实世界数据集上的性能明显优于最先进的手工制作和基于学习的离群值拒绝方法。我们还展示了它的广泛适用性相结合的PointDSC与不同的3D局部描述符。
2021-03-09 cs.CV
Q-REG: End-to-End Trainable Point Cloud Registration with Surface Curvature
ETH Zurich（苏黎世联邦理工学院）；Microsoft（微软）；Stanford University（斯坦福大学）
针对基于对应匹配的点云配准依赖 RANSAC、难以端到端优化位姿误差的问题，本文提出 Q-REG，利用表面曲率从单个对应关系估计刚性位姿，并在多个基准上达到最先进水平。
2023-09-27 cs.CV
OAAFormer: Robust and Efficient Point Cloud Registration Through Overlapping-Aware Attention in Transformer
Shandong University（山东大学）；Qingdao University of Science and Technology（青岛科技大学）；Texas A&M University（得克萨斯农工大学）
针对点云配准中粗到细范式的局限性，提出OAAFormer，通过软匹配、重叠检测和线性复杂度区域注意力提升对应质量，在3DLoMatch上内点率提升约7%，召回率提升2-4%。
2023-10-15 cs.CV
SemICP: Semantic Non-Rigid Point Cloud Registration with Elastic Energy Regularization
Department of Electrical and Computer Engineering, University of British Columbia（电气与计算机工程系，不列颠哥伦比亚大学）；Faculty of Medicine, University of British Columbia（医学院，不列颠哥伦比亚大学）
研究针对计算机辅助干预中点云配准问题，提出SemICP框架，结合语义信息点匹配与变形正则化，经多数据集测试，相比其他方法降低多种距离误差，结合AI分割后为多模态配准提供有效管道。
2026-11-03 cs.CV
RARE: Refine Any Registration of Pairwise Point Clouds via Zero-Shot Learning
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）；Shenzhen Research Institute, Nanjing University of Aeronautics and Astronautics（南京航空航天大学深圳研究院）；School of Data Science, Lingnan University（岭南大学数据科学学院）
本文提出零样本方法 RARE，通过多视角深度投影和预训练扩散特征增强几何对应，以提升各类点云配准算法的精度与跨数据集泛化能力。
2025-07-26 cs.AI cs.CV
