DetarNet: Decoupling Translation and Rotation by Siamese Network for Point Cloud Registration
点云配准是许多任务的基本步骤。本文提出了一种名为DetarNet的神经网络来解耦平移$t$和旋转$R$，从而克服了点云配准中由于它们相互干扰而导致的性能下降。首先，提出了一种基于Siamese网络的渐进和相干特征漂移（PCFD）模块，用于在高维特征空间中对齐源点和目标点，并从对齐过程中准确地恢复平移。然后，我们提出了一个共识编码单元（CEU）构建一组假定的对应更可区分的功能。然后，采用空间和通道注意（SCA）块来构建分类网络，以找到良好的对应关系。最后，通过奇异值分解（SVD）得到旋转。通过这种方式，所提出的网络简化了平移和旋转的估计，从而使两者都具有更好的性能。实验结果表明，DetarNet提高了室内和室外场景的配准性能。我们的代码将在\url{https://github.com/ZhiChen902/DetarNet}中提供。
2021-12-28 cs.CV
Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting
Wuhan University（武汉大学）；The University of Hong Kong（香港大学）；Sun Yat-sen University（中山大学）；Tsinghua University（清华大学）；Texas A&M University（德州农工大学）
本文提出一种多视角点云配准新方法，通过神经网络估计重叠率构建稀疏可靠位姿图，并在IRLS中设计历史重加权函数提升对异常边缘的鲁棒性，显著提高了配准召回率和精度并大幅减少了成对配准需求。
2023-04-02 cs.CV
3D Local Features for Direct Pairwise Registration
Technische Universität München（慕尼黑工业大学）；Siemens AG（西门子股份公司）；National University of Defense Technology（国防科技大学）
我们提出了一种新的，数据驱动的方法来解决两个点云扫描的配准问题。我们的方法是直接的，在这个意义上，一对相应的本地补丁已经提供了必要的变换线索的全球注册。为了实现这一点，我们首先赋予最先进的PPF-FoldNet自动编码器（AE）一个姿态变量兄弟，其中两者之间的差异导致姿态特定的描述符。在此基础上，我们引入了RelativeNet，这是一种相对姿态估计网络，用于为关键点分配对应的特定方向，消除了任何局部参考系计算。最后，我们设计了一个简单而有效的假设和验证算法来快速使用预测和对齐两个点集。我们广泛的定量和定性实验表明，我们的方法在挑战成对配准的真实数据集方面优于现有技术，并且用局部姿态信息增强关键点可以带来更好的泛化和显着的加速。
2019-04-08 cs.AI cs.CV cs.LG
(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
PointVGGT: Zero-Shot Multiview RGB-D Point Cloud Registration with Visual Geometry Foundation Priors
Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）
本文提出PointVGGT框架，采用“先基础后优化”范式，利用视觉几何基础模型VGGT实现零样本多视图RGB-D点云配准，在多类数据集上验证了其高精度与高效性。
2026-10-09 cs.CV
Rethinking Rotation Invariance with Point Cloud Registration
School of Computer Science, University of Sydney（悉尼大学计算机科学学院）
最近的研究旋转不变性的三维点云一直致力于设计旋转不变的特征描述符或学习规范空间的对象是语义对齐。对学习框架的不变性的研究很少被研究。在这项工作中，我们回顾了点云配准方面的旋转不变性，并提出了一个有效的框架，通过三个连续的阶段，即旋转不变的形状编码，对齐的特征集成和深度特征配准的旋转不变性学习。我们首先对相对于在不同尺度上定义的参考帧构造的形状描述符进行编码，例如，局部补丁和全局拓扑，以生成旋转不变的潜在形状代码。在集成阶段，我们提出对齐的集成Transformer，以产生一个歧视性的功能表示，通过整合点的自我和交叉关系内建立的形状代码。同时，我们采用刚性变换的参考框架之间的形状代码对齐的特征一致性在不同的尺度。最后，将深度集成特征配准到两个旋转不变的形状代码，以最大化特征相似性，从而保留集成特征的旋转不变性，并从形状代码中隐式提取共享语义信息。三维形状分类，部分分割，检索任务的实验结果证明了我们的工作的可行性。我们的项目页面发布于：https://rotation3d.github.io/。
2022-12-31 cs.CV
PARE-Net: Position-Aware Rotation-Equivariant Networks for Robust Point Cloud Registration
针对现有点云配准方法旋转鲁棒性差、参数量大的问题，提出位置感知旋转等变网络PARE-Net，搭配位置感知卷积、特征假设生成器与对比旋转损失，在轻量高速的同时实现了配准性能的SOTA提升与强旋转鲁棒性。
2024-10-31 cs.CV
You Only Hypothesize Once: Point Cloud Registration with Rotation-equivariant Descriptors
Wuhan University（武汉大学）；The University of Hong Kong（香港大学）；Texas A&M University（得克萨斯农工大学）
在本文中，我们提出了一种新的本地基于几何的框架，称为你只假设一次（YOHO），两个未对齐的点云的注册。与大多数现有的局部描述符依赖于脆弱的局部参考系来获得旋转不变性相比，所提出的描述符通过最近的组等变特征学习技术来实现旋转不变性，从而对点密度和噪声具有更强的鲁棒性。同时，YOHO中的描述符也有一个旋转等变部分，这使得我们能够从一个对应假设来估计配准。这一性质减小了可行变换的搜索空间，从而大大提高了YOHO算法的精度和效率。大量的实验表明，YOHO在四个广泛使用的数据集，3DMatch/3DLoMatch数据集，ETH数据集和WHU-TLS数据集上实现了更少的RANSAC迭代，从而获得了优异的性能。更多详细信息请参阅我们的项目页面：https://hpwang-whu.github.io/YOHO/。
2022-07-25 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
RIGA: Rotation-Invariant and Globally-Aware Descriptors for Point Cloud Registration
Technical University of Munich（慕尼黑工业大学）；Meta Reality Labs（Meta现实实验室）；National University of Defense Technology（国防科技大学）；Shanghai Jiao Tong University（上海交通大学）；Siemens AG（西门子股份公司）
成功的点云配准依赖于在强大的描述符基础上建立的准确对应关系。然而，现有的神经描述符要么利用旋转变体骨干，其性能在大旋转下下降，要么编码不太独特的局部几何形状。为了解决这个问题，我们引入了RIGA来学习设计为旋转不变和全局感知的描述符。从稀疏局部区域的点对特征（PPF），旋转不变的局部几何编码成几何描述符。随后将3D结构和几何背景的全局感知以旋转不变的方式并入。更具体地说，整个帧的3D结构首先由我们的全局PPF签名表示，从中学习结构描述符以帮助几何描述符感知局部区域之外的3D世界。然后将整个场景的几何上下文全局聚合到描述符中。最后，稀疏区域的描述被内插到密集点描述符，从密集点描述符中提取对应关系用于配准。为了验证我们的方法，我们进行了广泛的实验对象和场景级数据。对于大旋转，RIGA在ModelNet 40上的相对旋转误差方面超过了最先进的方法8 \degree，并在3DLoMatch上将特征匹配召回率提高了至少5个百分点。
2022-09-27 cs.CV
FUSER: Feed-Forward MUltiview 3D Registration Transformer and SE(3)$^N$ Diffusion Refinement
Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）；Nanjing University（南京大学）
提出FUSER，首个前馈多视图配准Transformer，在统一潜在空间中直接预测全局位姿，避免成对匹配；并引入SE(3)^N扩散精化框架FUSER-DF以校正估计。
2026-06-17 cs.CV
Fast globally optimal Truncated Least Squares point cloud registration with fixed rotation axis
Technical University of Applied Sciences Augsburg（奥格斯堡应用技术大学）
本文针对固定旋转轴的点云配准问题，提出线性时间凸松弛与收缩器加速的分支定界方法，在100个点规模下实现半秒内可证明全局最优的TLS求解，比SDP求解器STRIDE快两个数量级。
2025-08-21 cs.CV
Global Consistent Point Cloud Registration Based on Lie-algebraic Cohomology
Academy for Multidisciplinary Studies, Capital Normal University（首都师范大学交叉科学研究院）；Beijing Advanced Innovation Center for Imaging Theory and Technology, Capital Normal University（首都师范大学成像技术高精尖创新中心）；DUT-RU ISE, Dalian University of Technology（大连理工大学DUT-RU ISE）；State University of New York at Stony Brook（纽约州立大学石溪分校）
提出了一种基于几何拓扑的全局点云配准方法。基于多种点云成对配准方法（如ICP），重点研究了沿任意循环变换合成的累积误差问题。本文的主要技术贡献是消除误差的线性方法，仅使用求解泊松方程。通过Hodge-Helmhotz分解定理和在真实场景的多个RGBD数据集上的实验，证明了该方法的一致性。实验结果还表明，我们的全局配准方法运行速度快，并提供准确的重建。
2022-08-15 cs.CV
Spectral Consistency-Guided Multiview Point Cloud Registration for Low-Overlap Scenes
Wuhan University（武汉大学）；Institute of Urban Environment, Chinese Academy of Sciences（中国科学院城市环境研究所）
提出GMPCR，一种基于谱一致性引导的非学习多视角点云配准框架，通过谱响应评估对应可靠性与扫描对置信度，稀疏化姿态图，在低重叠场景下实现高效鲁棒配准，在3DMatch和3DLoMatch上分别达到97.2%和89.6%的召回率。
2026-09-14 cs.CV
Register Any Point: Scaling 3D Point Cloud Registration by Flow Matching
本文提出通过流匹配方法实现3D点云注册，直接生成对齐点云，提高效率和全局一致性，在多视角注册基准中取得最佳性能。
2026-03-16 cs.CV cs.RO
ICOS: Efficient and Highly Robust Rotation Search and Point Cloud Registration with Correspondences
East China University of Science and Technology（华东理工大学）
旋转搜索和点云配准是机器人学和计算机视觉中的两个基本问题，其目的分别是估计三维矢量集和点云之间的旋转和变换。由于在实际应用中，在假定的向量或点对应关系中可能存在大量的离群值，鲁棒估计非常重要。在本文中，我们提出了ICOS（Inlier searching using Compatible Structures），一种新颖的，高效的和高度鲁棒的求解器，用于基于对应的旋转搜索和点云配准问题。具体来说，我们（i）提出并构建了一系列兼容的结构，可以建立各种不变量的两个问题，和（ii）设计三个时间效率的框架，第一个旋转搜索，第二个已知规模的注册和第三个未知规模的注册，过滤出离群值和寻找内点的不变量约束随机抽样的基础上提出的兼容结构。通过这种方式，即使有极端的离群值比率，也可以筛选出并收集内点，以有效地解决最佳旋转和变换，从而产生我们强大的求解器ICOS。通过对标准数据集的大量实验，我们证明：（i）我们的求解器ICOS快速，准确，鲁棒性超过95%的离群值，旋转搜索以及已知尺度和未知尺度配准的内点召回率接近100%，优于其他最先进的方法，（ii）ICOS适用于多种现实世界的应用。
2021-05-10 cs.CV cs.RO
Applying Lie Groups Approaches for Rigid Registration of Point Clouds
Laboratório Nacional de Computação Científica（国家计算科学实验室）；Universidade Federal de Juiz de Fora（茹伊斯迪福拉联邦大学）
在过去的几十年里，出现了一些文献使用李群理论来解决计算机视觉中的问题。另一方面，通过将变换群映射到线性空间，引入变换的李代数表示，克服了群结构背后的困难。在本文中，我们专注于李群和李代数的应用，以找到刚性变换，最好的注册两个表面表示的点云。所谓的成对刚性配准可以通过比较编码局部几何的内在二阶取向张量来制定。这些张量可以（局部）由对称非负定矩阵表示。在本文中，我们解释所获得的张量场作为一个多元正常模型。因此，我们从高斯空间可以配备李群结构这一事实开始，即同构于上三角矩阵的子群。因此，相关的李代数结构使我们能够处理高斯，从而比较方向张量，与欧几里得运算。我们将这种方法应用于迭代最近点（ICP）的变体，这是一种已知的成对配准技术。我们比较得到的结果与应用比较张量形状因子（CTSF），这是一个相似的概念的基础上的方向张量的特征值的原始实现。我们注意到，张量空间中的相似性度量直接来自李的方法是不不变的旋转，这是一个问题，在刚性注册。尽管如此，所进行的计算实验显示出有希望的结果时，嵌入方向张量场的李代数。
2020-06-23 cs.CV
DBDNet:Partial-to-Partial Point Cloud Registration with Dual Branches Decoupling
针对部分重叠点云配准中旋转、平移与重叠预测耦合导致性能退化的问题，本文提出DBDNet，通过双分支解耦、前置重叠预测和多分辨率特征提取提升配准精度。
2023-10-18 cs.CV
Geometry-Constrained Bidirectional Point Cloud Registration for Thin, Sheet-Like Heritage Artifacts
Northwestern Polytechnical University（西北工业大学）
针对薄片状文化遗产文物，提出一种几何约束的双向点云配准方法，通过语义预处理、PCA归一化和厚度感知约束解决旋转模糊与结构坍塌问题，实现可靠的非接触三维重建。
2026-10-07 cs.CV
Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization
Tsinghua University（清华大学）；Stanford University（斯坦福大学）；Nvidia（英伟达）
我们提出了SyNoRiM，一种新的方式来共同注册多个非刚性形状同步的地图相关的学习功能定义的点云。尽管处理非刚性形状的能力在从计算机动画到3D数字化的各种应用中是至关重要的，但文献仍然缺乏一个强大而灵活的框架来匹配和对齐在遮挡下观察到的真实的、有噪声的扫描的集合。给定一组这样的点云，我们的方法首先计算通过函数映射参数化的成对对应。我们同时学习潜在的非正交基函数，以有效地正则化变形，同时以优雅的方式处理遮挡。为了最大限度地受益于由推断的成对变形场提供的多路信息，我们将成对功能映射同步到一个周期一致的整体中，这要归功于我们新颖且有原则的优化公式。我们通过大量的实验证明，我们的方法在配准精度方面达到了最先进的性能，同时灵活高效，因为我们在统一的框架中处理非刚性和多体情况，并通过使用基函数映射避免了点式排列的昂贵优化。
2022-04-01 cs.AI cs.CV
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
Registration of 3D Point Sets Using Correntropy Similarity Matrix
University of Nevada, Reno（内华达大学雷诺分校）；University of Prince Edward Island（爱德华王子岛大学）；Japan Advanced Institute of Science and Technology (JAIST)（日本北陆先端科学技术大学院大学（JAIST））
这项工作的重点是3D点集的配准或对齐。虽然配准问题是一个已建立的问题，并且使用迭代最近点（ICP）算法的多种变体来解决，但是当\textit{Source}和\textit{Target}点集通过大的旋转和平移分离时，现有技术中的大多数方法仍然遭受未对准。在这项工作中，我们提出了一个变种的标准ICP算法，在这里我们引入了一个相关性关系矩阵的旋转和平移分量的计算，试图解决大旋转和平移问题之间的\textit{Source}和\textit{Target}点集。该矩阵通过相关熵准则生成，并在每次迭代中更新。在该方法中定义的相关性准则维持\textit{Source}数据集和\textit{Target}数据集中的点之间的关系。通过我们的实验和验证，我们验证了我们的方法在各种旋转和平移下表现良好，与点云库（PCL）中提供的其他已知的最先进的方法以及其他开源方法相比。我们已经将代码上传到github仓库中，以供读者验证我们的方法https://github.com/aralab-unr/CoSM-ICP。
2021-07-20 cs.CV
3D point cloud registration with shape constraint
Robotics, TCS Research \& Innovation, India
本文提出了一种基于形状约束的刚性模板点云与给定参考点云配准的迭代算法。该算法将基于形状的相似性约束嵌入到引力原理中。由参考引起的形状约束重力控制模板的移动，使得在每次迭代时，模板在形状方面更好地与参考对准。该约束使得能够在由变化（存在异常值和/或缺失部分）、平移、旋转和缩放引起的困难条件下进行对准。我们讨论了最少的人工干预的有效实现技术。注册被证明是有用的变化检测的3D点云。该算法进行了比较，与三个国家的最先进的注册方法。实验是在合成数据和真实数据上进行的。该算法在大旋转、结构化和非结构化离群点以及缺失数据的情况下表现得更好。
2019-02-04 cs.CV
Transformation Decoupling Strategy based on Screw Theory for Deterministic Point Cloud Registration with Gravity Prior
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）
针对带重力先验的点云配准问题，提出基于旋量理论的变换解耦策略，将4自由度问题拆分为三个子问题分别求解，实现了高效确定性配准，在外点率超99%时仍优于现有方法。
2023-11-02 cs.CV
FINet: Dual Branches Feature Interaction for Partial-to-Partial Point Cloud Registration
University of Electronic Science and Technology of China（电子科技大学）；Megvii Technology（旷视科技）
数据关联是点云配准的重要环节。在这项工作中，我们建议从一个新的角度来解决部分到部分的注册，通过在特征提取阶段引入源和参考云之间的多级特征交互，这样的注册可以实现没有注意或明确的掩模估计的重叠检测，如以前所采用的。具体来说，我们提出了FINet，一个功能交互为基础的结构，使和加强在多个阶段的输入之间的信息关联的能力。为了实现这一点，我们首先将特征分成两个分量，一个用于旋转，一个用于平移，这是基于它们属于不同的解空间的事实，从而产生双分支结构。其次，我们在特征提取器处插入几个交互模块以进行数据关联。第三，我们提出了一个变换灵敏度损失，以获得旋转注意和注意的功能。实验结果表明，该方法具有更高的精度和鲁棒性相比，最先进的传统和基于学习的方法。代码可在https://github.com/megvii-research/FINet上获得。
2022-04-06 cs.CV
Multiview Point Cloud Registration via Optimization in an Autoencoder Latent Space
本文提出POLAR方法，通过将多视角点云配准问题转换到预训练自编码器的潜空间中，设计考虑退化的损失函数并采用多起点优化策略，有效处理大量视角、高退化和大初始角度，在合成与真实数据上显著优于现有方法。
2025-04-30 cs.CV
Iterative Distance-Aware Similarity Matrix Convolution with Mutual-Supervised Point Elimination for Efficient Point Cloud Registration
Washington University in St. Louis（圣路易斯华盛顿大学）；Megvii Inc.（旷视科技）
在本文中，我们提出了一种新的基于学习的管道部分重叠的三维点云配准。该模型包括一个迭代的距离感知相似性矩阵卷积模块，将来自特征和欧几里得空间的信息合并到成对点匹配过程中。这些卷积层学习基于整个几何特征的联合信息和每个点对的欧几里得偏移来匹配点，克服了简单地采用特征向量的内积进行匹配的缺点。此外，一个两阶段的学习点消除技术，以提高计算效率，减少误报对应对。提出了一种新的相互监督损失训练模型没有额外的注释的关键点。管道可以很容易地与传统（例如FPFH）和基于学习的功能集成。部分重叠和噪声点云配准的实验表明，我们的方法优于目前的最先进的，同时更计算效率。代码可在https://github.com/jiahaowork/idam上公开获取。
2020-08-06 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
Deep Models with Fusion Strategies for MVP Point Cloud Registration
DeepGlint（深瞳）；Shanghai Jiao Tong University（上海交通大学）；Sichuan University（四川大学）
多视图部分（MVP）挑战赛2021中点云配准的主要目标是估计刚性变换以对齐点云对。本次比赛中的对具有低重叠、密度不均匀、旋转不受限制和模糊等特点，这对配准任务提出了巨大的挑战。在本报告中，我们介绍了我们的注册任务解决方案，该解决方案融合了两个深度学习模型：ROPNet和PREDATOR，并采用定制的集成策略。最后，在Rot_Error、Trans_Error和MSE指标下，我们分别以2.96546、0.02632和0.07808获得了配准轨迹的第二名。
2021-10-18 cs.CV
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
R-PointHop: A Green, Accurate, and Unsupervised Point Cloud Registration Method
University of Southern California（南加州大学）；Tencent America（腾讯美国）；Tencent Media Lab（腾讯媒体实验室）
受最近的PointHop分类方法的启发，本文提出了一种无监督的3D点云配准方法，称为R-PointHop。R-PointHop首先使用其最近邻居为每个点确定局部参考系（LRF）并查找局部属性。接下来，R-PointHop通过点下采样、邻域扩展、属性构建和降维步骤获得局部到全局的层次特征。因此，在分层特征空间中使用最近邻规则建立点对应。然后，选择具有良好对应性的显著点的子集来估计3D变换。LRF的使用允许点的分层特征相对于旋转和平移的不变性，从而使得R-PointHop在构建点对应时更鲁棒，即使旋转角度很大。在3DMatch、ModelNet 40和Stanford Bunny数据集上进行了实验，验证了R-PointHop算法在三维点云配准中的有效性。R-PointHop的模型大小和训练时间都比深度学习方法小一个数量级，其配准误差也更小，是一种绿色精准的解决方案。我们的代码可以在GitHub上找到。
2022-03-14 cs.CV
Registration of 3D Point Sets Using Exponential-based Similarity Matrix
Advanced Robotics and Automation (ARA) Laboratory, Department of Computer Science and Engineering, University of Nevada, Reno（高级机器人与自动化实验室，计算机科学与工程系，内华达大学雷诺分校）
本文提出 ESM-ICP 方法，通过高斯启发的指数加权相似度矩阵改进经典 ICP 算法，以解决大旋转差异和非高斯噪声下的三维点集配准问题，并在实验中优于传统几何方法和近期学习方法。
2025-05-07 cs.CV
Practical optimal registration of terrestrial LiDAR scan pairs
The University of Adelaide（阿德莱德大学）；ETH Zurich（苏黎世联邦理工学院）
点云配准是三维扫描中的一个基本问题。在本文中，我们解决了注册地面激光雷达扫描（或更一般地说，水平点云）的常见特殊情况。许多当前的解决方案仍然依赖于迭代最近点（ICP）方法或其他启发式程序，这需要良好的初始化才能成功和/或不提供成功的保证。另一方面，精确或最优配准算法可以计算最佳可能的解决方案，而无需初始化;然而，它们目前太慢，在现实应用中不实用。现有的最佳方法忽略了这样一个事实，即在日常使用中，扫描之间的相对旋转通过LiDAR扫描仪中的内置水平补偿被约束到方位角。我们提出了一种新的，最佳的和计算效率的注册方法，这种4DOF的情况。我们的方法对候选3D关键点对应进行操作，并且包含两个主要步骤：（1）确定性选择方案，其以保证保留最优解的方式显著减少候选对应集;以及（2）快速分支定界（BnB）算法，其具有用于1D旋转搜索的新颖多项式时间子例程，快速找到减少的集合的最优对齐。我们证明了我们的方法的实用性现实点云从多个激光雷达调查。
2018-11-30 cs.CV
Toward Patient-specific Partial Point Cloud to Surface Completion for Pre- to Intra-operative Registration in Image-guided Liver Interventions
Center for Imaging Science, Rochester Institute of Technology, Rochester, NY 14623, USA（成像科学中心，罗切斯特理工学院，罗切斯特，NY 14623, USA）；Biomedical Engineering, Rochester Institute of Technology, Rochester, NY 14623, USA（生物医学工程，罗切斯特理工学院，罗切斯特，NY 14623, USA）
针对图像引导肝脏介入中术中点云局部可见导致配准困难的问题，提出患者特定点云补全方法，利用VN-OccNet从局部点云生成完整肝脏表面并集成至Go-ICP算法，有效改善了初始刚性配准效果。
2025-08-11 cs.CV
Automatic 2D-3D Registration without Contrast Agent during Neurovascular Interventions
Philips Healthcare（飞利浦医疗保健）
将实时荧光透视图像与血管系统的3D旋转重建融合，允许在微创神经血管治疗中导航血管内器械，同时减少有害碘造影剂的使用。使用X射线C形臂几何结构的传感器信息初始化荧光透视图像和3D重建的对准。然后通过基于图像的配准算法，基于使用3D重建的数字重建射线照片的梯度差相似性测量来校正患者运动。该算法不需要用碘造影剂填充荧光透视图像中的血管，而是依赖于图像中的梯度（骨结构、窦）作为标志特征。本文研究了基于图像的配准算法的精度，鲁棒性和计算时间方面。使用体模实验，97%的配准尝试通过了剩余配准误差小于1 mm平移和3°旋转的成功标准。本文建立了一种新的2D-3D配准确认方法，无需更改临床工作流程，例如附加基准标记。因此，该方法可以回顾性地应用于预先存在的临床数据。对于临床数据实验，87%的配准尝试通过了残余平移误差< 1 mm的标准，84%的配准尝试具有< 3°的旋转误差。
2021-06-08 cs.CV cs.GR
Multiway Point Cloud Mosaicking with Diffusion and Global Optimization
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；Microsoft Mixed Reality & AI Lab（微软混合现实与人工智能实验室）
本文提出Wednesday多路点云拼接框架，以ODIN扩散去噪配准、位姿图优化和全局联合优化实现高精度多视角点云对齐，在多个大规模基准上大幅领先现有方法。
2024-03-30 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
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
KSS-ICP: Point Cloud Registration based on Kendall Shape Space
Nanyang Technological University（南洋理工大学）
点云配准是三维模型重建、定位、检索等领域的一个研究热点。在本文中，我们提出了一种新的配准方法，KSS-ICP，解决刚性配准任务在肯德尔形状空间（KSS）与迭代最近点（ICP）。KSS是一个商空间，它消除了平移、缩放和旋转对基于形状特征的分析的影响。这种影响可以归结为不改变形状特征的相似性变换。KSS中的点云表示对相似变换是不变的。利用这一特性设计了用于点云配准的KSS-ICP。为了解决实现KSS表示的困难，建议的KSS-ICP制定了一个实用的解决方案，不需要复杂的特征分析，数据训练和优化。通过简单的实现，KSS-ICP从点云实现了更精确的配准。它对相似变换、非均匀密度、噪声和缺陷零件具有鲁棒性。实验表明，KSS-ICP具有比现有技术更好的性能。
2022-11-05 cs.CV
Locally Aware Piecewise Transformation Fields for 3D Human Mesh Registration
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems Tübingen（马克斯·普朗克智能系统研究所）；University of Tübingen（蒂宾根大学）
在计算机视觉中，将着装人体的点云配准到参数化人体模型是一项具有挑战性的任务。传统方法通常依赖于大量工程管道，需要精确手动初始化人体姿势和繁琐的后处理。最近，提出了基于学习的方法，希望自动化这个过程。我们观察到，姿态初始化是准确配准的关键，但现有的方法往往无法提供准确的姿态初始化。一个主要的障碍是，从点云或人类图像回归关节旋转仍然非常具有挑战性。为此，我们提出了新的分段变换域（PTF），这是一组学习3D平移向量的函数，可以将姿态空间中的任何查询点映射到静止姿态空间中的相应位置。我们将PTF与多类占用网络相结合，获得了一种新的基于学习的框架，该框架可以学习同时预测服装人的姿势空间和规范空间之间的形状和每点对应关系。我们的关键见解是，每个查询点的平移向量可以有效地估计使用点对齐的局部特征，因此，刚性每骨变换和关节旋转可以有效地获得通过最小二乘拟合给定的估计点对应，绕过直接回归关节旋转的挑战性任务从神经网络。此外，建议的PTF促进规范化的占用估计，这大大提高了泛化能力，并导致更准确的表面重建只有一半的参数相比，国家的最先进的。定性和定量的研究表明，拟合参数模型与我们的网络初始化的结果在更好的注册质量，特别是极端的姿态。
2021-04-16 cs.CV
PREDATOR: Registration of 3D Point Clouds with Low Overlap
ETH Zurich（苏黎世联邦理工学院）
我们介绍捕食者，一个模型，两两点云登记与深度关注的重叠区域。与以前的工作不同，我们的模型是专门设计来处理（也）点云对低重叠。它的主要新颖之处是一个用于两个点云的潜在编码之间的早期信息交换的注意力块。以这种方式，潜在表示到每点特征的后续解码以相应的其他点云为条件，并且因此可以预测哪些点不仅是突出的，而且位于两个点云之间的重叠区域中。专注于与匹配相关的点的能力大大提高了性能：PREDATOR在低重叠场景中将成功配准率提高了20%以上，并且还为3DMatch基准设定了89%的配准召回率。
2021-08-06 cs.CV eess.IV
DReg-NeRF: Deep Registration for Neural Radiance Fields
National University of Singapore（新加坡国立大学）
本文提出 DReg-NeRF，通过占据网格特征与自注意力、交叉注意力 transformer 实现无人工干预的多 NeRF 配准，并以表面场监督解耦对应关系，在 Objaverse 数据集上显著优于点云配准方法。
2023-08-18 cs.CV
GMOR: A Lightweight Robust Point Cloud Registration Framework via Geometric Maximum Overlapping
Beijing Engineering Research Center of Mixed Reality and Advanced Display, School of Optics and Photonics, Beijing Institute of Technology（北京混合现实与先进显示工程研究中心，光学与 photonics 学院，北京理工大学）；Zhengzhou Research Institute, Beijing Institute of Technology（郑州研究院，北京理工大学）；School of Computer Science and Technology, Beijing Institute of Technology（计算机科学与技术学院，北京理工大学）；School of Medical Technology, Beijing Institute of Technology（医学技术学院，北京理工大学）
GMOR通过仅旋转BnB搜索和几何最大重叠方法，实现高效的点云配准，兼顾精度与效率。
2026-01-30 cs.CV cs.RO
GraphReg: Dynamical Point Cloud Registration with Geometry-aware Graph Signal Processing
Beijing Academy of Artificial Intelligence（北京人工智能研究院）；National Laboratory of Pattern Recognition（模式识别国家重点实验室）；Institute of Automation, CAS（中国科学院自动化研究所）；Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院）；National Biomedical Imaging Center, Peking University（北京大学国家生物医学成像中心）；Academy of Mathematics and Systems Science, CAS（中国科学院数学与系统科学研究院）；UCAS（中国科学院大学）
三维点云配准是许多重要的三维视觉问题的核心，本文提出了一种高精度、高效率、物理诱导的三维点云配准方法。与现有的仅考虑空间点信息而忽略表面几何的基于物理的方法相比，我们探索了几何感知的刚体动力学来调节粒子（点）运动，从而实现更精确和鲁棒的配准。我们提出的方法包括四个主要模块。首先，我们利用图形信号处理（GSP）框架来定义新的签名（即，每个点的点响应强度），通过该方法，我们成功地描述了局部表面变化，重新定位关键点，并区分不同的颗粒。然后，为了解决当前基于物理的方法对离群值敏感的缺点，我们将定义的点响应强度调整为稳健统计中的中位数绝对偏差（MAD），并采用X84原则进行自适应离群值抑制，以确保稳健和稳定的配准。随后，我们提出了一种新的几何不变刚性变换下，将高阶特征的点云，这是进一步嵌入力建模，指导成对扫描之间的对应关系。最后，我们引入了一个自适应模拟退火（ASA）方法来搜索全局最优，大大加快注册过程。我们进行了全面的实验，以评估所提出的方法从距离扫描仪激光雷达捕获的各种数据集。结果表明，我们提出的方法优于代表国家的最先进的方法在精度方面，更适合于注册大规模的点云。此外，它比大多数竞争对手更快，更强大。
2023-02-02 cs.CV
PRANet: Point Cloud Registration with an Artificial Agent
University College London（伦敦大学学院）；King’s College London（伦敦国王学院）；Siemens Healthineers（西门子医疗）
点云配准在许多计算机视觉任务中起着关键作用，例如姿态估计和3D定位。最近，制定了大量的深度学习方法，旨在解决这个问题。这些方法中的大多数找到点或特征对应，从中计算变换。我们给出了一个不同的视角，并将配准问题框架为马尔可夫决策过程。问题不是直接搜索变换，而是找到一个等价于该变换的平移和旋转动作序列。为此，我们提出了一种使用深度监督学习进行端到端训练的人工代理。与传统的强化学习技术相比，观察是i.i.d.采样的。因此不需要经验重放缓冲器，从而导致更流线型的训练过程。在ModelNet40上的实验表明，在干净、有噪声和部分可见的数据集的情况下，结果与现有技术相当或优于现有技术。
2021-09-23 cs.CV
Learning multiview 3D point cloud registration
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）
我们提出了一种新的，端到端的学习，多视图3D点云配准算法。多个扫描的配准通常遵循两个阶段的流水线：初始成对对齐和全局一致的细化。前者往往是模糊的，由于相邻点云的重叠度低，对称性和重复的场景部分。因此，后一种全局细化的目的是建立跨多个扫描的循环一致性，并有助于解决不明确的情况。在本文中，我们提出，据我们所知，第一个端到端的算法，这两个阶段的问题的两个部分的联合学习。在公认的基准数据集上进行的实验评估表明，我们的方法的性能明显优于最先进的方法，同时具有端到端的可训练性和计算成本更低。此外，我们提出了详细的分析和消融研究，验证我们的方法的新组件。源代码和预训练模型可在https://github.com/zgojcic/3D_multiview_reg上公开获取。
2020-03-31 cs.CV cs.LG
Deep Weighted Consensus: Dense correspondence confidence maps for 3D shape registration
Tel Aviv University（特拉维夫大学）
我们提出了一个新的范例刚性对齐点云的基础上学习加权共识，这是强大的噪声以及旋转组的全频谱。当前的模型，可学习的或公理化的，通常通过端到端学习器或迭代方案，对于受限的方向和有限的噪声水平工作得很好。然而，现实世界的任务要求我们处理大的旋转以及离群值，所有已知的模型都无法提供。在这里，我们提出了一个不同的方向。我们声称，我们可以对齐点云的采样匹配点，根据来自一个密集的，软对齐地图的置信水平。流水线是可微的，并且在SO（3）的全谱中的大旋转下收敛，即使具有高噪声水平。我们将该网络与最近提出的方法（如DCP，PointNetLK，RPM-Net，PRnet）以及公理化方法（如ICP和Go-ICP）进行了比较。我们在此报告性能的根本提升。
2021-05-06 cs.AI cs.CV
Cross3DReg: Towards a Large-scale Real-world Cross-source Point Cloud Registration Benchmark
针对跨源点云配准缺乏大规模真实数据及传感器差异导致的特征不一致问题，构建了最大真实世界跨源数据集Cross3DReg，并提出基于重叠区域预测和视觉-几何注意力匹配的框架，显著降低旋转和平移误差并提升配准召回率。
2025-09-08 cs.CV
Learning a 3D descriptor for cross-source point cloud registration from synthetic data
University of Technology Sydney（悉尼科技大学）
随着三维传感器技术的发展，对来自不同类型传感器的三维数据（如点云）的配准提出了更高的要求。然而，由于点云数据的密度变化、数据缺失、不同视点、噪声和离群点以及几何变换等因素，不同传感器之间的点云配准具有挑战性。在本文中，我们提出了一种方法来学习一个3D描述符找到这些具有挑战性的点云之间的对应关系。为了训练深度学习框架，我们使用合成3D点云作为输入。从合成数据集出发，采用基于区域的抽样方法，从合成样本中选取合理、大而多样的训练样本。然后，我们使用数据增强来扩展我们的网络对旋转变换的鲁棒性。我们的工作集中在更一般的情况下，点云来自不同的传感器，称为跨源点云。实验结果表明，该描述子不仅能够推广到新的场景，而且能够推广到不同的传感器。结果表明，该方法成功地对齐了两个三维交叉源点云，优于国家的最先进的方法。
2017-08-24 cs.CV
GAFAR: Graph-Attention Feature-Augmentation for Registration A Fast and Light-weight Point Set Registration Algorithm
Graz University of Technology（格拉茨工业大学）
本文提出GAFAR，一种利用图注意力机制在推理时增强点描述符的快速轻量点集配准算法，通过点云内外全连接图推理点的重要性与可靠性，提升对离群点、低重叠和未见数据的鲁棒性。
2023-07-05 cs.CV
Robust Kernel-based Feature Representation for 3D Point Cloud Analysis via Circular Convolutional Network
Seoul National University（首尔国立大学）；Soongsil University（崇实大学）
点云的特征描述符用于多种应用中，例如3D点云的配准和部分分割。学习局部几何特征的判别表示无疑是精确点云分析的最重要任务。然而，它是具有挑战性的开发旋转或尺度不变的描述符。大多数以前的研究要么忽略了旋转或经验研究的最佳尺度参数，这阻碍了现实世界的数据集的方法的适用性。在本文中，我们提出了一种新的局部特征描述方法，是强大的旋转，密度和规模的变化。此外，为了改善局部描述符的表示，我们提出了一种全局聚合方法。首先，我们在法线方向上放置围绕每个点对齐的内核。为了避免法向量的符号问题，我们在切平面上使用对称核点分布。从每个核点，我们首先将点从空间空间投影到特征空间，这对基于角度和距离的多尺度和旋转具有鲁棒性。随后，我们通过考虑局部核点结构和通过全局聚合方法获得的长程全局上下文来执行图卷积。我们在基准数据集上试验了我们提出的描述符（即，ModelNet40和ShapeNetPart）来评估3D点云上的配准、分类和部件分割的性能。我们的方法表现出优越的性能相比，国家的最先进的方法，减少70 $\%$的旋转和平移误差的注册任务。我们的方法在具有简单和低维架构的分类和部分分割任务中也表现出相当的性能。
2022-08-31 cs.CV
A Direct Semi-Exhaustive Search Method for Robust, Partial-to-Full Point Cloud Registration
Toyota Research Institute（丰田研究所）
本文提出直接半穷举搜索算法（DSES），通过遍历旋转矩阵并利用GPU并行计算最优刚体变换，无需对应关系即可解决部分到全景点云配准问题，在ModelNet40基准和真实机器人位姿估计中表现优异。
2025-01-31 cs.CV cs.RO
Learning to Register Unbalanced Point Pairs
Pohang University of Science and Technology (POSTECH)（浦项科技大学）
点云配准方法可以有效地处理大规模、部分重叠的点云对。尽管它的实用性，匹配不平衡对的空间范围和密度一直被忽视，很少研究。我们提出了一种新的方法，称为UPPNet，不平衡点云对注册。我们建议纳入一个分层的框架，有效地发现内点对应逐渐减少搜索空间。该方法首先预测目标点云内可能与查询重叠的子区域。然后，通过超点匹配和细粒度细化模块预测目标和查询之间的精确内点对应关系。应用附加的几何约束来细化满足空间兼容性的对应关系。所提出的网络可以以端到端的方式进行训练，通过单次向前传递预测精确的刚性变换。为了验证所提出的方法的有效性，我们创建了一个精心设计的基准，命名为KITTI-UPP数据集，通过增强KITTI里程数据集。大量的实验表明，该方法不仅优于国家的最先进的点云配准方法的大幅度KITTI-UPP基准，但也取得了竞争力的结果，标准的成对配准基准，包括3DMatch，3DLoMatch，ScanNet，和KITTI，从而显示了我们的方法在各种数据集上的适用性。源代码和数据集将公开发布。
2022-10-15 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
