SphereNet: Learning a Noise-Robust and General Descriptor for Point Cloud Registration
Beijing Institute of Technology（北京理工大学）
针对现有点云配准描述子抗噪性差、泛化能力弱的问题，提出SphereNet，通过球形体素编码、球面插值及带完整性填充的球面卷积网络提取描述子，在噪声场景和多个基准上取得最优性能与泛化性。
2023-07-18 cs.CV
HD2Reg: Hierarchical Descriptors and Detectors for Point Cloud Registration
Xi’an Jiaotong University（西安交通大学）；Shunan Academy of Artificial Intelligence（舜人工智能研究院）
针对点云配准中特征描述子与检测器缺乏局部和全局语义显式表征的问题，提出HD2Reg框架，通过分层对比学习、双层级关键点检测及全局到局部匹配实现更优配准效果。
2023-05-05 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
Learning general and distinctive 3D local deep descriptors for point cloud registration
一个有效的3D描述符应该对不同的几何变换（如缩放和旋转）保持不变，对遮挡和混乱具有鲁棒性，并且能够推广到不同的应用领域。我们提出了一种简单而有效的方法来学习通用和独特的3D局部描述符，可用于注册在不同域中捕获的点云。点云补丁被提取，规范化相对于他们的本地参考系，并编码成规模和旋转不变的紧凑描述符的深度神经网络，是不变的输入点的排列。这种设计使我们的描述符能够跨域泛化。我们在几个室内和室外数据集上评估并比较了我们的描述符与替代的手工制作和基于深度学习的描述符，这些数据集通过使用RGBD传感器和激光扫描仪重建。我们的描述符在泛化方面远远优于最新的描述符，并且在同一领域进行训练和测试的基准测试中也成为最先进的。
2022-05-12 cs.CV cs.RO
LoGDesc: Local geometric features aggregation for robust point cloud registration
Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；INSERM（法国国家健康与医学研究院）；ISIR（智能系统与机器人研究所）
本文提出LoGDesc混合描述子，结合PCA先验几何信息、三角形邻域法向量描述子以及图卷积和注意力传播，在多个基准上提升了含噪声和低重叠点云的配准性能。
2024-10-03 cs.CV
SpinNet: Learning a General Surface Descriptor for 3D Point Cloud Registration
Sun Yat-sen University（中山大学）；University of Oxford（牛津大学）；The Hong Kong Polytechnic University（香港理工大学）；National University of Defense Technology（国防科技大学）
提取鲁棒且通用的3D局部特征是点云配准和重建等下游任务的关键。现有的基于学习的局部描述符要么对旋转变换敏感，要么依赖于既不通用也不具有代表性的经典手工特征。在本文中，我们引入了一种新的，但概念上简单的神经架构，称为SpinNet，提取局部特征，这些特征是旋转不变的，同时提供足够的信息，以实现准确的配准。首先引入空间点Transformer将输入的局部曲面映射到精心设计的圆柱空间中，从而使用SO（2）等变表示实现端到端优化。然后，利用强大的基于点的3D圆柱卷积神经层的神经特征提取器来导出用于匹配的紧凑且有代表性的描述符。在室内和室外数据集上进行的大量实验表明，SpinNet的性能大大优于现有的最先进技术。更重要的是，它在具有不同传感器模态的未知场景中具有最佳的泛化能力。该代码可在https://github.com/QingyongHu/SpinNet上获得。
2021-04-09 cs.AI cs.CV cs.LG
Calibrated Keyframe-Segment Selection for Descriptor-Agnostic LiDAR Loop Closure in Repetitive Environments
Department of Naval Architecture and Ocean Engineering（naval architecture and ocean engineering department）
该研究提出了一种无描述符的稀疏回环准入策略，用于在重复环境中稳定图结构，通过校准查询级的分段假设并验证代表性配对来减少回环因素的误入，从而提高回环闭合的精度和稳定性。
2026-10-14 cs.CV cs.RO
KDD-LOAM: Jointly Learned Keypoint Detector and Descriptors Assisted LiDAR Odometry and Mapping
College of Control Science and Engineering, Zhejiang University（浙江大学控制科学与工程学院）
提出紧耦合关键点检测器与描述子TCKDD及辅助框架KDD-LOAM，通过多任务全卷积网络与自监督损失提升点云配准性能，在KITTI上显著超越LOAM。
2023-09-27 cs.CV cs.RO
Automatic coarse co-registration of point clouds from diverse scan geometries: a test of detectors and descriptors
University of Padova（帕多瓦大学）
本文针对无人机与自行车不同视角点云的自动粗配准，测试四种关键点检测器和三种描述符，发现 NARF 关键点更多、速度更快且精度相当。
2023-08-27 cs.CV
Graphite: GRAPH-Induced feaTure Extraction for Point Cloud Registration
Technische Universität München（慕尼黑工业大学）；Google（谷歌）
3D点云是一种丰富的信息来源，在视觉社区中越来越受欢迎。然而，由于其表示的稀疏性，基于大型点云的学习模型仍然是一个挑战。在这项工作中，我们介绍了石墨，一个图形诱导的特征提取管道，一个简单而强大的特征变换和关键点检测器。Graphite支持对点云进行密集的下采样，关键点检测伴随着描述符。我们构建了一个通用的基于图的学习方案来描述点云区域和提取显著点。为此，我们利用6D姿态信息和度量学习来学习不同扫描的鲁棒描述和关键点。我们使用图神经网络重新制定了3D关键点管道，它允许有效处理点集，同时提高其描述能力，最终导致更准确的3D配准。我们在常见的3D描述符匹配和点云配准基准测试中展示了我们的轻量级描述符，并取得了与最先进技术相当的结果。使用我们提出的网络，描述100个点云补丁并检测其关键点仅需约0.018秒。
2020-10-18 cs.AI cs.CV
Minimum Potential Energy of Point Cloud for Robust Global Registration
Hunan University（湖南大学）；Xidian University（西安电子科技大学）；The University of Western Australia（西澳大学）
本文提出了一种基于最小引力势能（MPE）的全局点集配准算法。在过去的几十年里，特征描述符提取算法已经成为对齐点集的标准方法。然而，当点集受到诸如噪声（高斯和均匀）的原始点数据问题的影响时，对齐可能具有挑战性。与大多数现有的点集配准方法通常提取描述符来寻找点集之间的对应关系不同，我们提出的MPE对齐方法能够处理大规模的原始数据偏移，而不依赖于传统的描述符提取，无论是局部还是全局配准方法。我们将解分解为全局最优凸逼近和快速下降到局部极小值的过程。对于近似步骤，建议的最小势能（MPE）方法包括两个主要步骤。首先，根据力牵引算子的构造，我们可以简单地计算出势能最小值的位置;其次，关于MPE点的寻找，我们提出了一种新的理论，使用两个标志来观察注册过程的状态。本文采用的快速下降法是迭代最近点算法，它可以达到全局最小值。我们证明了所提出的算法的性能合成数据以及真实数据。该方法在效率、精度和抗噪性方面均优于其他全局方法。
2020-06-12 cs.CV
GRIP: Gaussian Rendering as a Cross-Modal Bridge for Image-to-Point Cloud Registration
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；INSERM（法国国家健康与医学研究院）；IRISA（法国雷恩信息与系统研究所）
GRIP通过高斯特征溅射将3D点特征渲染到图像网格，融合视觉与几何信息，实现图像到点云的精确配准，在RGB-D Scenes V2和7 Scenes上达到先进水平。
2026-09-23 cs.CV
Robust Partial-to-Partial Point Cloud Registration in a Full Range
Nanyang Technological University（南洋理工大学）；Sensetime Research（商汤科技研究院）；Shanghai AI Lab（上海人工智能实验室）
三维物体的点云配准是一项具有挑战性的任务，由于稀疏和噪声测量，不完整的观察和大的转换。在这项工作中，我们提出了\textbf{G}-\textbf{M}匹配\textbf{C} onsensus \textbf{Net}工作（\textbf{GMCNet}），估计姿态不变的对应关系，为全范围部分到部分点云注册（PPR）在对象级注册的情况下。为了编码鲁棒的点描述符，\textbf{1)}，我们首先全面调查各种几何特征的变换鲁棒性和抗噪性。然后，我们采用了一种新的{T} transformation-robust {P}点{T} transformer（\textbf{TPT}）模块，自适应地聚合关于结构关系的局部特征，该模块利用了手工制作的旋转不变（{ \textit{RI} }）特征和抗噪声空间坐标。\textbf{3)}基于层次图网络和图形建模的协同作用，我们提出了{H}几何{G}几何{M}建模（\textbf{HGM}）架构来编码鲁棒描述符，该鲁棒描述符包括i）从{ \textit{RI} }特征学习的一元项;以及ii）通过我们的TPT模块从不同尺度的相邻点关系编码的多个平滑项。此外，我们构建了一个具有挑战性的PPR数据集（\textbf{MVP-RG}）的基础上，最近的MVP数据集，具有高质量的扫描。大量的实验表明，GMCNet优于以前的国家的最先进的PPR方法。值得注意的是…
2022-04-08 cs.CV
DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization
Technical University of Munich（慕尼黑工业大学）；Artisense
对于大规模点云的重新定位，我们提出了第一种方法，统一了全球的地方识别和本地6DoF姿势细化。为此，我们设计了一个连体网络，直接从原始3D点联合学习3D局部特征检测和描述。它集成了FlexConv和挤压和激励（SE），以确保学习的局部描述符捕获多级几何信息和通道关系。为了检测3D关键点，我们以无监督的方式预测局部描述符的区分度。我们生成的全局描述符直接聚合学习的本地描述符与一个有效的注意力机制。以这种方式，在单个前向传递中推断局部和全局3D描述符。各种基准测试的实验表明，我们的方法实现了竞争力的结果相比，国家的最先进的方法，全球点云检索和局部点云注册。为了验证我们的3D关键点的可推广性和鲁棒性，我们证明了我们的方法在没有对视觉SLAM系统生成的点云配准进行微调的情况下也表现良好。代码和相关材料可在https://vision.in.tum.de/research/vslam/dh3d上获得。
2020-07-17 cs.CV
RSKDD-Net: Random Sample-based Keypoint Detector and Descriptor
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）
关键点检测器和描述器是点云配准的两个主要组成部分。以往的基于学习的关键点检测器依赖于对每个点或最远点样本（FPS）的显著性估计来选择候选点，这是低效的，并且不适用于大规模场景。提出了一种基于随机采样的关键点检测与描述网络（RSKDD-Net）用于大规模点云配准。其关键思想是使用随机采样来有效地选择候选点，并使用基于学习的方法来联合生成关键点和描述符。为了解决随机采样的信息丢失问题，本文提出了一种新的随机扩张聚类策略来扩大每个采样点的感受野，并采用了一种注意力机制来聚合相邻点的位置和特征。此外，我们提出了一个匹配损失训练描述符在弱监督的方式。在两个大规模户外LiDAR数据集上的大量实验表明，所提出的RSKDD-Net实现了最先进的性能，比现有方法快15倍以上。我们的代码可在https://github.com/ispc-lab/RSKDD-Net上获得。
2020-10-23 cs.CV
Point Cloud Registration Based on Consistency Evaluation of Rigid Transformation in Parameter Space
我们可以使用一种称为配准的方法来整合一些代表真实世界形状的点云。在本文中，我们提出了高精度和稳定的注册方法。我们的方法从点云中检测关键点，并使用多个描述符生成三元组。此外，我们的方法评估的刚性转换参数的一致性，每个三元组与直方图，并获得点云之间的刚性转换。在本文的实验中，我们的方法具有最小的误差，没有重大的失败。结果，与比较方法相比，我们获得了足够准确和稳定的配准结果。
2020-11-10 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
LAHNet: Local Attentive Hashing Network for Point Cloud Registration
Nanjing University of Science and Technology（南京理工大学）；Shanghai Jiao Tong University（上海交通大学）
LAHNet通过引入局部注意机制和高效窗口化策略，提升点云配准的特征区分性与鲁棒性。
2026-03-09 cs.CV
Equi-GSPR: Equivariant SE(3) Graph Network Model for Sparse Point Cloud Registration
Faculty of Electrical Engineering, KU Leuven（KU Leuven 电气工程学院）；Spatial Intelligence Group, The Hong Kong Polytechnic University（香港理工大学 空间智能组）；Faculty of Engineering and IT, The University of Melbourne（墨尔本大学 工程与信息技术学院）；IoTUS Lab, Queen Mary University of London（伦敦大学玛丽女王学院 IoTUS实验室）
针对点云配准中旋转等变性利用不足导致的学习效率低、复杂度高问题，提出嵌入局部球面欧几里得3D等变特性的SE(3)图神经网络Equi-GSPR，在3DMatch、KITTI数据集上以较低复杂度实现了优于SOTA的鲁棒配准性能。
2024-10-08 cs.AI cs.CV
RoCNet: 3D Robust Registration of Point-Clouds using Deep Learning
Sorbonne Université（索邦大学）；ISIR（智能系统与机器人研究所）；CNRS UMR 7222（法国国家科学研究中心 UMR 7222）；INSERM U1150（法国国家健康与医学研究院 U1150）
本文提出RoCNet，一种基于深度学习的3D点云鲁棒配准方法，通过图卷积描述符、注意力机制、Sinkhorn算法和RANSAC实现刚体变换估计，在ModelNet40数据集上优于现有方法。
2023-10-26 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
3DFeat-Net: Weakly Supervised Local 3D Features for Point Cloud Registration
National University of Singapore（新加坡国立大学）
本文提出了一种基于弱监督的3DFeat-Net点云匹配算法，该算法利用3DFeat-Net的弱监督特性，同时学习点云的3D特征检测器和描述符。与许多现有的作品，我们不需要手动注释的匹配点集群。相反，我们利用对齐和注意力机制来学习GPS/INS标记的3D点云的特征对应关系，而不明确指定它们。我们创建了训练和基准户外激光雷达数据集，实验表明3DSP-Net在这些重力对齐的数据集上获得了最先进的性能。
2018-07-25 cs.CV
3D Point Cloud Registration with Multi-Scale Architecture and Unsupervised Transfer Learning
MINES ParisTech（巴黎高等矿业学院）；PSL University（巴黎文理研究大学）；Centre for Robotics（机器人中心）
我们提出了一种在新的、完全不同的数据集上推广深度学习的3D点云配准方法。它基于两个组件，MS-SVConv和UDGE。MS-SVConv是一个快速的深度神经网络，使用多尺度稀疏体素卷积，从点云输出描述符，用于两个场景之间的3D配准。UDGE是一种以无监督方式在未知数据集上传输深度网络的算法。当将MS-SVConv和UDGE这两个组件作为一个整体一起使用时，所提出的方法的兴趣出现了，这导致了现实世界配准数据集（如3DMatch，ETH和TUM）上的最新结果。该代码可在https://github.com/humanpose1/MS-SVConv上公开获取。
2021-10-14 cs.CV
An Improved Discriminative Optimization for 3D Rigid Point Cloud Registration
National University of Defense Technology（国防科技大学）
判别优化（DO）算法在三维点云配准中取得了很好的效果。在原始DO中，两点云的特征（描述符）被定义为直方图，直方图的元素指示模型点的“前”或“后”侧的场景点的权重。在本文中，我们扩展了直方图表示的边从“前-后”到“前-后”，“上-下”，“顺时针-逆时针”。此外，我们根据模型点的分布情况对扩展直方图进行了重新加权。我们在斯坦福兔子和牛津SensatUrban数据集上评估了所提出的改进的DO，并将其与六种经典的最先进的点云配准算法进行了比较。实验结果表明，该算法在点配准精度和均方根误差方面具有相当的性能。
2021-04-18 cs.CV
Deep-PE: A Learning-Based Pose Evaluator for Point Cloud Registration
Shandong University（山东大学）；Shandong University of Science and Technology（山东科技大学）；National Deep Sea Center（国家深海中心）；Qingdao University of Science and Technology（青岛科技大学）；Texas A&M University（德克萨斯农工大学）
针对低重叠点云配准中姿态选择精度低的问题，提出基于学习的轻量级姿态评估器Deep-PE，利用姿态感知注意力和置信度预测模块学习对齐先验，在3DLoMatch上显著提升配准召回率。
2024-05-25 cs.CV
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
End-to-End Learning Local Multi-view Descriptors for 3D Point Clouds
HKUST（香港科技大学）；Alibaba A.I. Labs（阿里巴巴人工智能实验室）；City University of Hong Kong（香港城市大学）；Simon Fraser University（西蒙弗雷泽大学）
在这项工作中，我们提出了一个端到端的框架来学习本地多视图描述符的三维点云。为了采用类似的多视图表示，现有的研究在预处理阶段使用手工制作的视点进行渲染，该预处理阶段与随后的描述符学习阶段分离。在我们的框架中，我们集成到神经网络的多视图渲染，通过使用一个可微分的渲染器，它允许的观点是可优化的参数，以捕捉更多的信息本地上下文的兴趣点。为了获得有区别的描述符，我们还设计了一个软视图池模块来专注地融合视图间的卷积特征。在现有的3D配准基准上进行的大量实验表明，我们的方法在定量和定性上都优于现有的局部描述符。
2020-03-16 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
UnsupervisedR&R: Unsupervised Point Cloud Registration via Differentiable Rendering
University of Michigan（密歇根大学）
将场景的部分视图对齐为单个整体对于理解环境至关重要，并且是许多机器人任务（如SLAM和SfM）的关键组成部分。最近的方法提出了端到端系统，可以通过利用姿势监督来超越传统方法。然而，随着带有深度传感器的相机的日益普及，我们可以期待新的原始RGB-D数据流，而无需监督所需的注释。我们提出了UnsupervisedR&R：一种端到端的无监督方法，用于从原始RGB-D视频中学习点云注册。关键思想是利用可区分的对齐和渲染来加强帧之间的光度和几何一致性。我们在室内场景数据集上评估了我们的方法，发现我们使用经典和学习的描述符优于现有的传统方法，同时与监督几何点云配准方法竞争。
2021-02-23 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
RegFormer++: An Efficient Large-Scale 3D LiDAR Point Registration Network with Projection-Aware 2D Transformer
本文提出RegFormer++，一种高效的3D点云配准网络，通过投影感知的2D变换器提升鲁棒性，无需额外后处理，实验表明在KITTI、NuScenes和Argoverse数据集上性能优异。
2026-03-15 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
D3Former: Jointly Learning Repeatable Dense Detectors and Feature-enhanced Descriptors via Saliency-guided Transformer
Shandong University（山东大学）；The University of Hong Kong（香港大学）
本文提出D3Former，一种显著性引导Transformer，联合学习可重复稠密检测器与特征增强描述符，在室内外基准上优于现有方法，如3DLoMatch上配准召回率达76.5%。
2023-12-20 cs.CV
Registering Neural Radiance Fields as 3D Density Images
HKUST（香港科技大学）
本文提出将传统3D配准流程推广至3D密度场，通过关键点检测与点集配准实现部分重叠场景预训练NeRF模型的刚体变换对齐，为大规模NeRF构建奠定基础。
2023-05-22 cs.CV
Video Registration in Egocentric Vision under Day and Night Illumination Changes
Università degli Studi di Modena e Reggio Emilia（摩德纳和雷焦艾米利亚大学）
随着可穿戴设备和头戴式摄像头的普及，现在可以实现需要精确用户定位的广泛应用。在本文中，我们提出了一个视频配准问题，获得用户的位置相对于一个已知的环境的问题。视频配准，即将输入视频序列与预先构建的3D模型对准的任务，依赖于在查询序列上提取的局部关键点与3D点云的匹配过程。整体配准性能与2D-3D匹配的实际质量密切相关，如果环境条件发生急剧变化（如白天和黑夜之间的光照变化），则会降低整体配准性能。为了在这些条件下有效地注册一个以自我为中心的视频序列，我们建议解决问题的根源：匹配过程。为了克服标准匹配技术的缺点，我们引入了一种新的嵌入空间，使我们能够获得强大的匹配，共同考虑到当地的描述符，它们的空间布局和时间的鲁棒性。该建议使用无约束的自我中心的视频序列进行评估，无论是在匹配质量和使用不同的3D模型的历史地标所产生的注册性能。结果表明，所提出的方法可以优于最先进的配准算法，特别是在处理夜间和白天序列的挑战。
2016-07-28 cs.CV
DeepI2P: Image-to-Point Cloud Registration via Deep Classification
Bytedance（字节跳动）；National University of Singapore（新加坡国立大学）
本文介绍了DeepI2P：一种用于图像和点云之间的跨模态配准的新方法。给定在同一场景中的不同位置捕获的图像（例如，来自RGB相机）和一般点云（例如，来自3D激光雷达扫描仪），我们的方法估计相机和激光雷达的坐标系之间的相对刚性变换。由于两种模态之间缺乏外观和几何相关性，学习共同的特征描述符以建立配准的对应关系本质上是具有挑战性的。我们规避困难，将注册问题转化为一个分类和逆相机投影优化问题。设计了一个分类神经网络来标记点云中每个点的投影是在摄像机截头内还是在摄像机截头外。这些标记的点随后被传递到一个新的逆相机投影求解器，以估计相对姿态。在Oxford Robotcar和KITTI数据集上的大量实验结果证明了该方法的可行性。我们的源代码可以在https://github.com/lijx10/DeepI2P上找到
2021-04-08 cs.AI cs.CV
SARNet: Semantic Augmented Registration of Large-Scale Urban Point Clouds
针对城市场景激光雷达点云配准难题，提出语义增强配准网络SARNet，通过融合语义特征构建三模块配准流程，有效提升了城市级大规模点云的配准精度与效率。
2023-10-08 cs.CV
Extremely Dense Point Correspondences using a Learned Feature Descriptor
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins Medical Institutions（约翰斯·霍普金斯医疗机构）
来自内窥镜视频的高质量3D重建在许多临床应用中发挥着重要作用，包括手术导航，其中它们可以实现直接的视频-CT配准。虽然存在许多方法用于一般的多视图3D重建，但这些方法通常不能在内窥镜视频上提供令人满意的性能。部分原因是建立成对点对应的局部描述符，从而驱动重建，当面对解剖结构的纹理稀缺表面时，这些描述符会挣扎。基于学习的密集描述符通常具有更大的感受野，能够编码全局信息，这可以用于消除匹配的歧义。在这项工作中，我们提出了一个有效的自监督训练方案和新的损失设计密集描述符学习。在直接比较最近的本地和密集的描述符在内部鼻窦内窥镜检查数据集，我们证明了我们提出的密集描述符可以推广到看不见的患者和范围，从而大大提高性能的运动恢复结构（SfM）的模型密度和完整性。我们还评估了我们的方法在一个公共密集光流数据集和一个小规模的SfM公共数据集，以进一步证明我们的方法的有效性和通用性。源代码可在https://github.com/lppllppl920/DenseDescriptorLearning-Pytorch上获得。
2020-03-27 cs.CV
Learning Dense Features for Point Cloud Registration Using a Graph Attention Network
Korea Advanced Institute of Science and Technology (KAIST)（韩国高等科学技术院（KAIST））
点云配准是定位、制图、跟踪和重建等许多应用中的基本任务。成功的配准依赖于提取鲁棒的和有区别的几何特征。虽然现有的基于学习的方法需要高计算能力来同时处理大量的原始点，但由于使用GPU的强大并行计算过程，计算能力限制不是问题。在本文中，我们介绍了一个框架，有效地和经济地提取密集的功能，使用图注意力网络点云匹配和注册（DFGAT）。DFGAT的检测器负责在大型原始数据集中找到高度可靠的关键点。DFGAT的描述符将这些关键点与它们的邻居相结合，以提取不变的密度特征，为匹配做准备。图形注意力网络（GAT）使用注意力机制来丰富点云之间的关系。最后，我们认为这是一个最优的运输问题，并使用Sinkhorn算法找到积极和消极的匹配。我们在KITTI数据集上进行了全面的测试，并评估了这种方法的有效性。实验结果表明，该方法具有高效、简洁的关键点选择和描述方法，能够获得最佳的匹配性能指标，配准成功率达到99.88%，优于其他方法。
2022-11-04 cs.CV
Fast and Robust Registration of Aerial Images and LiDAR data Based on Structrual Features and 3D Phase Correlation
Southwest Jiaotong University（西南交通大学）
航空影像与激光雷达（LiDAR）数据的配准是一个挑战，因为不同的成像机制会导致这些数据之间显著的几何和辐射失真。针对这一问题，提出了一种基于结构特征和三维相位相关的自动配准方法。在该方法中，激光雷达点云数据首先转换成强度图，这是作为参考图像。然后，我们采用快速算子提取均匀分布的兴趣点在航空图像的分区策略和执行的局部几何校正，通过使用共线方程，以消除图像之间的比例和旋转差异。随后，基于稠密梯度特征构建鲁棒的结构特征描述符，利用三维相位相关性在频域中检测航空图像和LiDAR数据之间的控制点，并通过三维快速傅里叶变换（FFT）加速图像匹配。最后，利用获得的CP校正外方位元素，实现航空影像与LiDAR数据的配准。通过对航空影像和LiDAR数据集的实验表明，该方法比现有方法具有更快的速度和更强的鲁棒性
2020-04-21 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
SHReg: Strictly Rotation-Equivariant Point Cloud Registration via Spherical Harmonics
College of Mathematics and Systems Science, Shandong University of Science and Technology（山东科技大学数学与系统科学学院）；School of Artificial Intelligence, Shandong Women’s University（山东女子学院人工智能学院）
研究提出基于$SO(3)$表示理论的SHReg框架，将局部几何特征表示为$SO(3)$不可约表示，基于球谐函数等变主干联合学习旋转不变描述符与等变特征，减少对大规模假设采样依赖，在点云配准精度上优于现有方法。
2026-07-28 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
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
RegFormer: An Efficient Projection-Aware Transformer Network for Large-Scale Point Cloud Registration
Shanghai Jiao Tong University（上海交通大学）；China University of Mining and Technology（中国矿业大学）；ETH Zürich（苏黎世联邦理工学院）；Microsoft（微软）
本文提出端到端Transformer网络RegFormer，通过投影感知分层Transformer和双射关联Transformer实现大规模点云配准，无需后处理，在KITTI和NuScenes上兼顾精度与效率。
2023-08-10 cs.CV
RGBD-Glue: General Feature Combination for Robust RGB-D Point Cloud Registration
Beihang University（北京航空航天大学）；Beijing Institute of Spacecraft System Engineering（北京空间飞行器总体设计部）
针对RGB-D点云配准中特征融合的弱点，提出基于变换一致性过滤器和自适应阈值的特征组合框架，提升对应关系准确性，在ScanNet和3DMatch上达到最先进性能。
2024-08-21 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
Deep Multi-Spectral Registration Using Invariant Descriptor Learning
在本文中，我们介绍了一种新的深度学习方法来对齐交叉光谱图像。我们的方法依赖于一个学习的描述符，这是不变的不同的光谱。同一场景的多模态图像捕获不同的信号，因此它们的配准具有挑战性，并且经典方法无法解决。为此，我们开发了一种基于特征的方法，解决了可见光（VIS）到近红外（NIR）的配准问题。我们的算法通过Harris检测角点，并通过在CIFAR-10网络描述符上学习的补丁度量进行匹配。正如我们的实验表明，我们实现了高质量的跨光谱图像的子像素精度对齐。与现有的方法相比，我们的方法是更准确的VIS到NIR配准的任务。
2018-05-23 cs.CV
Iterative Feedback Network for Unsupervised Point Cloud Registration
本文提出一种用于无监督点云配准的迭代反馈网络（IFNet），通过级联的反馈配准块和Feedback Transformer将高层特征反馈以优化低层特征，并引入几何感知描述符，在多个基准数据集上取得更优配准性能。
2024-01-09 cs.AI cs.CV
Robust Partial 3D Point Cloud Registration via Confidence Estimation under Global Context
Engineering Research Center for Metallurgical Automation（冶金自动化工程研究中心）；Measurement Technology Ministry of Education, Wuhan University of Science（测量技术教育部武汉科技大学）；School of Information Management（信息管理学院）；Institute of Big Data（大数据研究院）；Digital Economy, Hubei University of Economics, Wuhan, 430205, China（数字经济，湖北经济学院，武汉，430205，中国）
本文提出CEGC框架，通过全局上下文联合估计重叠置信度与对应可靠性，并以加权SVD实现鲁棒的部分三维点云配准。
2025-09-29 cs.CV
Registration and Fusion of Multi-Spectral Images Using a Novel Edge Descriptor
在本文中，我们介绍了一个完全端到端的多光谱图像配准和融合的方法。我们的融合方法将不同光谱通道的图像融合成一个单一的融合图像，通过不同的方法，低，高频率信号。融合的先决条件是光谱带之间的几何对准阶段，通常称为配准。不幸的是，用于单个光谱通道的图像配准的常见方法在来自不同模态的图像上不产生合理的结果。为此，我们介绍了一种新的算法多光谱图像配准，基于一种新的边缘描述符的特征点。我们的方法实现了水平的精确对齐，使我们能够进一步融合图像。实验结果表明，该方法在许多具有挑战性的场景下都能获得高质量的多光谱图像配准和融合。
2018-05-28 cs.CV
Matching Distance and Geometric Distribution Aided Learning Multiview Point Cloud Registration
School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件工程学院）；Shaanxi Joint Key Laboratory for Artifact Intelligence（陕西人工智能智能物证联合重点实验室）
本文针对多视角点云配准，提出利用匹配距离识别可靠配对以构建位姿图，并通过考虑几何分布和改进注意力的神经网络以数据驱动方式同步运动，在多个数据集上验证了有效性与泛化性。
2025-05-06 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
SuperLine3D: Self-supervised Line Segmentation and Description for LiDAR Point Cloud
Zhejiang University（浙江大学）；DAMO Academy（达摩院）
电线杆和建筑物边缘是城市道路上经常观察到的对象，为各种计算机视觉任务提供可靠的提示。为了重复提取它们作为特征并在离散LiDAR帧之间进行关联以进行配准，我们提出了第一个基于学习的LiDAR点云中3D线条的特征分割和描述模型。为了训练我们的模型，而不需要耗时和繁琐的数据标记过程，我们首先为目标线的基本外观生成合成基元，并建立一个迭代的线自动标记过程，以逐步细化真实LiDAR扫描上的线标签。我们的分割模型可以在任意尺度扰动下提取线条，我们使用共享的EdgeConv编码器层来训练两个分割和描述符头。基于该模型，我们可以建立一个高可用性的全局配准模块，用于点云配准，在没有初始变换提示的情况下。实验表明，我们的线为基础的注册方法是非常有竞争力的国家的最先进的点为基础的方法。我们的代码可在https://github.com/zxrzju/SuperLine3D.git上获得。
2022-08-03 cs.CV
