Decision PCR: Decision version of the Point Cloud Registration task
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院，中国科学院）
本文提出决策PCR任务，通过基于3DMatch构建数据集并训练深度学习分类器评估配准质量，集成到现有PCR流程后显著提升性能，与GeoTransformer结合在3DLoMatch上达到86.97%的新SOTA召回率。
2025-07-20 cs.CV
GS-Matching: Reconsidering Feature Matching task in Point Cloud Registration
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Guangdong Provincial Key Laboratory of Construction Robotics and Intelligent Construction（广东省建造机器人与智能建筑重点实验室）
针对传统点云配准特征匹配方法的缺陷，本文提出受盖尔-沙普利算法启发的GS-matching启发式稳定匹配策略，能在低重叠条件下高效找到更多非重复内点，且经实验验证在多数据集上配准召回率更优。
2024-12-06 cs.CV
MCI-Net: A Robust Multi-Domain Context Integration Network for Point Cloud Registration
MCI-Net通过多域上下文整合提升点云配准性能，采用图邻域聚合、渐进式上下文交互和动态内点选择方法，在3DMatch数据集上达到96.4%的配准召回率。
2025-12-29 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
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
FreeReg: Image-to-Point Cloud Registration Leveraging Pretrained Diffusion Models and Monocular Depth Estimators
LISMARS；Hubei Luojia Laboratory（湖北珞珈实验室）；Wuhan University（武汉大学）；The University of Hong Kong（香港大学）；The Hong Kong Polytechnic University（香港理工大学）；Texas A&M University（德克萨斯农工大学）
针对图像与点云跨模态特征匹配难的问题，提出FreeReg方法，借助预训练扩散模型的扩散特征和单目深度估计的几何特征实现无任务特定训练的精准配准，在多个基准上性能显著优于现有最优方法。
2024-04-13 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
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
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
Angle-I2P: Angle-Consistent-Aware Hierarchical Attention for Cross-Modality Outlier Rejection
School of Electronic Information and Communications, Huazhong University of Science and Technology（华中科技大学电子信息与通信学院）
本文提出Angle-I2P方法，通过角度一致性的几何约束和层次注意力机制提升跨模态异常剔除性能，实验表明在多个数据集上均取得最佳效果。
2026-05-11 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
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
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
Full Transformer Framework for Robust Point Cloud Registration with Deep Information Interaction
Beijing Institute of Technology（北京理工大学）；National University of Singapore（新加坡国立大学）
最近的基于transformer的方法已经取得了先进的性能，在点云配准，利用优势的Transformer的顺序不变性和建模的依赖性，以聚合信息。然而，他们仍然遭受模糊的特征提取，对噪声的敏感性，和离群值。原因是：（1）CNN的采用由于其局部感受野而无法对全局关系进行建模，导致提取的特征易受噪声影响;（2）Transformers的浅宽架构和位置编码的缺乏导致信息交互效率低下导致特征提取不清晰;（3）几何兼容性的遗漏导致内点和离群点之间的分类不准确。为了解决上述问题，提出了一种新的用于点云配准的全Transformer网络，称为深度交互Transformer（DIT），它包括：（1）一个点云结构提取器（PSE），用于建模全局关系并使用Transformer编码器检索结构信息;（2）深窄点特征Transformer（PFT），以便于利用位置编码跨两个点云的深度信息交互，使得Transformers可以建立全面的关联，并直接学习点之间的相对位置;（3）基于几何匹配的对应置信度评估（GMCCE）方法，通过设计三角描述子来度量空间一致性并估计内点置信度。对干净、有噪声、部分重叠的点云配准的大量实验表明，我们的方法优于最先进的方法。
2021-12-17 cs.AI cs.CV
Unsupervised Point Cloud Registration via Salient Points Analysis (SPA)
University of Southern California（南加州大学）；Tencent Media Lab（腾讯媒体实验室）；Tencent America（腾讯美国）
提出了一种无监督的点云配准方法--显著点分析法。所提出的SPA方法可以注册两个点云有效地使用只有一个小子集的显着点。该方法首先将PointHop++方法应用于点云，根据点云的局部表面特征在两个点云中找到对应的显著点，并通过匹配对应的显著点进行配准。SPA方法提供了优于最近的基于深度学习的配准解决方案的几个优点。深度学习方法（如PointNetLK和DCP）训练端到端网络，并依赖于完全监督（即地面真值转换矩阵和类标签）。相比之下，SPA完全不受监督。通过对ModelNet-40数据集上的可见类、不可见类和噪声点云的实验，证明了SPA方法的有效性。
2020-09-02 cs.CV
PointMBF: A Multi-scale Bidirectional Fusion Network for Unsupervised RGB-D Point Cloud Registration
Fudan University（复旦大学）；Shandong Computer Science Center (National Supercomputer Center in Jinan)（山东省计算中心（国家超级计算济南中心））
本文提出PointMBF网络，通过多尺度双向融合RGB图像与深度点云特征，提升无监督RGB-D点云配准精度，在ScanNet和3DMatch上取得最优性能。
2023-08-09 cs.CV
Deep-3DAligner: Unsupervised 3D Point Set Registration Network With Optimizable Latent Vector
New York University Abu Dhabi（纽约大学阿布扎比分校）；NYU Tandon School of Engineering（纽约大学坦登工程学院）
点云配准是通过搜索几何变换来对齐一对点集的过程。与经典的基于优化的方法不同，最近的基于学习的方法利用深度学习的力量来配准一对点集。在本文中，我们提出开发一种新的模型，将优化与学习有机地结合起来，旨在解决3D配准中的技术挑战。更具体地说，除了深度转换解码网络之外，我们的框架还引入了可优化的深度\underline{S}空间\underline{C}或关系\underline{R}表示（SCR）功能。变换解码器网络的SCR特征和权重被联合更新，以最小化无监督对准损失。我们进一步提出了一个自适应倒角损失对齐部分形状。为了验证我们提出的方法的性能，我们在ModelNet 40数据集上进行了大量的实验。结果表明，我们的方法实现了显着更好的性能比以前的国家的最先进的方法在完整/部分点集配准任务。
2020-09-29 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
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
Sampling Network Guided Cross-Entropy Method for Unsupervised Point Cloud Registration
PCA Lab, Nanjing University of Science and Technology（南京理工大学PCA实验室）
在本文中，通过将点云配准任务建模为马尔可夫决策过程，我们提出了一种嵌入交叉熵方法（CEM）的端到端深度模型，用于无监督3D配准。我们的模型包括一个采样网络模块和一个可微CEM模块。在我们的采样网络模块中，给定一对点云，采样网络学习变换空间上的先验采样分布。学习的采样分布可以用作可微CEM模块的“良好”初始化。在我们的可微CEM模块中，我们首先提出了一个基于最大一致性准则的对齐度量作为点云配准任务的奖励函数。基于奖励函数，对于每个状态，我们然后构建一个融合得分函数来评估采样的转换，其中我们对转换的当前和未来奖励进行加权。特别地，通过对变换后的状态执行迭代最近点（ICP）算法来获得采样变换的未来回报。通过选择得分最高的前k个变换，我们迭代地更新采样分布。此外，为了使CEM可微，我们使用sparsemax函数来代替硬顶- $k$选择。最后，我们制定了一个基于损失的Geman-McClure估计训练我们的端到端注册模型。大量的实验结果表明，我们的方法在基准数据集上具有良好的配准性能。
2021-09-15 cs.CV
DANIEL: A Fast and Robust Consensus Maximization Method for Point Cloud Registration with High Outlier Ratios
School of Mechanical and Power Engineering, East China University of Science and Technology（华东理工大学机械与动力工程学院）
基于对应关系的点云配准是几何计算机视觉、机器人感知、摄影测量和遥感等领域的一个重要研究内容，其目的是根据3D关键点之间建立的对应关系来估计两个点云之间的最佳刚性变换。然而，由于有限的鲁棒性和准确性，当前的3D关键点匹配技术非常容易产生离群值，甚至可能是非常大的数量，使得点云配准的鲁棒估计非常重要。不幸的是，现有的鲁棒方法可能会遭受高计算成本或鲁棒性不足时，遇到高（甚至极端）离群值比率，很难理想的实际应用。在本文中，我们提出了一种新的时间有效的RANSAC型共识最大化求解器，命名为DANIEL（双层sAmpliNg与共识最大化的基础上分层元素的兼容性），鲁棒注册。DANIEL设计有两层随机抽样，以便以最低的计算成本找到内点子集。具体而言，我们：（i）在第一层单点采样中应用刚性约束来修剪原始离群值;（ii）引入一系列分层的逐元素相容性测试来进行最小模型之间的快速相容性检查，从而在第二层两点采样中实现更有效的一致性最大化;以及（iii）采用概率终止条件来确保最终内点集的及时返回。基于多个真实数据集的各种实验，我们表明DANIEL对超过99%的离群值具有鲁棒性，并且比现有的最先进的鲁棒求解器（例如RANSAC，FGR，GORE）更快。
2021-10-12 cs.CV cs.RO
A Robust 3D Registration Method via Simultaneous Inlier Identification and Model Estimation
School of Information Science and Electronic Engineering / School of Integrated Circuits, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院/集成电路学院）
本文提出了一种基于截断损失的鲁棒3D配准方法，通过同时识别内点和模型估计，降低拟合残差，采用交替最小化算法和半正定松弛方法提升鲁棒性，实验显示在高噪声和多异常情况下性能优异。
2026-04-08 cs.CV
Unsupervised Point Cloud Registration via Training-Time Semantic Guidance
Xiamen University（厦门大学）
针对无监督LiDAR点云配准中几何模糊导致性能崩溃的问题，提出CAESAR框架，利用训练时语义引导、双线索重匹配和语义预测蒸馏，在KITTI和nuScenes上达到最先进性能且推理零开销。
2026-09-15 cs.CV
MaskNet: A Fully-Convolutional Network to Estimate Inlier Points
Carnegie Mellon University（卡内基梅隆大学）
点云在计算机感知世界的方式中变得越来越重要。从自动驾驶汽车和无人机中的激光雷达传感器到我们手机中的飞行时间和立体视觉系统，点云无处不在。尽管它们无处不在，但由于传感器的限制或遮挡，现实世界中的点云通常会丢失点，或者包含来自传感器噪声或伪影的无关点。这些问题对需要计算一对点云之间的对应关系的算法提出了挑战。因此，本文提出了一种全卷积神经网络，它可以识别一个点云中的哪些点与另一个点云中的点最相似（内点）。当使用我们的网络进行改造时，我们展示了基于学习的和经典的点云配准方法的改进。我们在合成和真实世界的数据集上展示了这些改进。最后，我们的网络在测试数据集上产生了令人印象深刻的结果，这些结果在训练过程中是看不到的，因此表现出了普遍性。代码和视频可在https://github.com/vinits5/masknet上获得
2020-10-19 cs.AI cs.CV
F2M-Reg: Unsupervised RGB-D Point Cloud Registration with Frame-to-Model Optimization
National University of Defense Technology（国防科技大学）；Xiangjiang Laboratory（湘江实验室）；Defense Innovation Institute, Academy of Military Sciences（国防科技创新院）
本文提出F2M-Reg框架，通过神经隐式场构建全局模型优化帧位姿，解决无监督RGB-D点云配准中帧间不一致导致的收敛次优问题，显著提升配准鲁棒性。
2025-05-01 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
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
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
Mining and Transferring Feature-Geometry Coherence for Unsupervised Point Cloud Registration
Nanyang Technological University（南洋理工大学）；University of Waterloo（滑铁卢大学）；Xiamen University（厦门大学）
针对无监督点云配准伪标签质量差的问题，提出INTEGER方法，通过特征-几何一致性挖掘模块结合高低层信息生成可靠伪标签，并利用基于锚点的对比学习与混合密度学生模型构建鲁棒特征空间，在KITTI和nuScenes上取得优异性能。
2024-12-24 cs.AI cs.CV
An Unsupervised, Iterative N-Dimensional Point-Set Registration Algorithm
提出了一种无监督迭代的N维欧氏点云点集配准算法。它基于线性最小二乘法，并考虑所有可能的点配对，并迭代地对齐两个集合，直到点配对的数量不超过允许的一对一配对的最大数量。
2019-08-06 cs.CV cs.LG
iMatcher: Improve matching in point cloud registration via local-to-global geometric consistency learning
ISIR, Sorbonne Université, CNRS UMR 7222, INSERM U1150（ISIR，索邦大学，CNRS UMR 7222，INSERM U1150）
iMatcher通过局部到全局几何一致性学习改进点云配准中的特征匹配，实现高内点率与鲁棒刚性配准。
2025-09-10 cs.CV
SC^2-PCR: A Second Order Spatial Compatibility for Efficient and Robust Point Cloud Registration
Huazhong University of Science and Technology（华中科技大学）；China University of Geosciences（中国地质大学）
本文提出了一种基于二阶空间相容性测度的点云配准方法SC^2-PCR。首先，我们提出了一个二阶空间兼容性（SC^2）的措施来计算之间的相似性对应。它考虑了全局相容性而不是局部一致性，允许在早期阶段更有区别地聚类内点和离群点之间。基于这一措施，我们的配准管道采用全局谱技术从初始对应中找到一些可靠的种子。然后，我们设计了一个两阶段的策略来扩展每个种子到一个共识集的基础上SC^2测量矩阵。最后，我们将每个共识集馈送到加权SVD算法以生成候选刚性变换并选择最佳模型作为最终结果。我们的方法可以保证用较少的样本找到一定数量的无离群共识集，使模型估计更加有效和鲁棒。此外，所提出的SC^2度量是通用的，并且可以容易地插入到基于深度学习的框架中。大量的实验进行了调查我们的方法的性能。代码将在\url{https://github.com/ZhiChen902/SC2-PCR}上提供。
2022-03-28 cs.CV
ML-SemReg: Boosting Point Cloud Registration with Multi-level Semantic Consistency
School of Remote Sensing and Information Engineering, Wuhan University（武汉大学遥感信息工程学院）；School of Computer Science, Wuhan University（武汉大学计算机学院）
针对现有点云配准方法在低重叠场景下效果不佳的问题，提出即插即用框架ML-SemReg，通过分组匹配和掩码匹配模块利用多层语义一致性解决两类错配，显著提升配准召回率与鲁棒性。
2024-07-13 cs.CV
Fully-Geometric Cross-Attention for Point Cloud Registration
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Technology Sydney（悉尼技术大学）
本文提出完全几何交叉注意力，利用 Gromov-Wasserstein 距离实现任意刚性变换下的跨点云超点特征融合，并结合局部几何自注意力提升低重叠点云配准精度。
2025-06-08 cs.CV
Geometric Transformer for Fast and Robust 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）；Sun Yat-sen University（中山大学）
本文提出 Geometric Transformer，通过编码成对距离与三元组角度学习几何结构特征，实现低重叠场景下鲁棒超点匹配，并无需 RANSAC，显著提升配准速度与精度。
2022-03-12 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
A Strong Baseline for Point Cloud Registration via Direct Superpoints Matching
Khoury College of Computer Science, Northeastern University（东北大学科里计算机科学学院）；College of Engineering, Northeastern University（东北大学工程学院）
本文提出一种基于全局匹配和归一化匹配分数加权的点云配准基线，无需RANSAC即可端到端训练，在ModelNet、3DMatch和KITTI上达到与最先进方法相当或更好的精度。
2024-03-29 cs.CV
A Robust Loss for Point Cloud Registration
University of Science and Technology of China（中国科学技术大学）；Cardiff University（卡迪夫大学）
表面配准的性能在很大程度上依赖于用于源形状和目标形状之间的对准误差的度量。传统上，这样的度量是基于从源表面上的点到它们在目标表面上的最近点的点到点或点到平面的距离，这容易由于最近点对应的不稳定性而失败。在本文中，我们提出了一种新的度量的基础上的两个形状和一个随机直线之间的交点，它不假设一个特定的对应关系。我们通过大量的实验验证了该度量的有效性，包括对单个注册问题的直接优化以及对一组注册问题的无监督学习。结果表明，利用我们提出的度量的算法优于最先进的优化为基础的和无监督学习为基础的方法。
2021-08-26 cs.CV
Towards Patient-Specific Deformable Registration in Laparoscopic Surgery
Biomedical Robotics Lab, Istituto Italiano di Tecnologia, Genoa, Italy（生物医学机器人实验室，意大利理工学院，热那亚）；Department of Computer Science, Bioengineering, Robotics and Systems Engineering (DIBRIS), University of Genoa, Italy（计算机科学、生物工程、机器人与系统工程系（DIBRIS），热那亚大学，意大利）；Harvard Medical School, Brigham and Women’s Hospital, Boston, USA（哈佛医学院，布里洛妇女医院，美国波士顿）
本文提出一种患者特异性非刚性点云配准方法，结合Transformer架构与物理模拟算法，在合成和真实数据上均优于传统方法，显著提升手术安全性。
2026-04-14 cs.CV
Efficient and Robust Point Cloud Registration via Heuristics-guided Parameter Search
The Chinese University of Hong Kong（香港中文大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University of Macau（澳门大学）
针对高外点率点云配准中参数搜索维数高、效率低的问题，提出启发式引导的三阶段分解搜索与区间穿刺加速方法，在保持SOTA级鲁棒性的同时显著提升效率。
2024-04-09 cs.CV cs.RO
Self-Supervised Point Cloud Registration with Deep Versatile Descriptors
Shanghai Jiao Tong University（上海交通大学）
本文提出一种自监督点云配准方法，联合全局与局部描述符并利用重建和法线估计增强变换感知，在多个数据集上超越现有无监督方法，部分情况下优于有监督方法。
2023-04-13 cs.CV
TFCT-I2P: Three stream fusion network with color aware transformer for image-to-point cloud registration
Huazhong University of Science and Technology（华中科技大学）
本文提出TFCT-I2P方法，通过三流融合网络结合图像颜色与点云结构信息，并设计颜色感知Transformer缓解块级错位，在多个数据集上显著提升图像到点云配准性能。
2024-10-01 cs.CV
3D Unsupervised Region-Aware Registration Transformer
New York University Abu Dhabi（纽约大学阿布扎比分校）；NYU Multimedia and Visual Computing Lab（纽约大学多媒体与视觉计算实验室）；NYUAD Center for Artificial Intelligence and Robotics（纽约大学阿布扎比人工智能与机器人中心）
本文提出3D-URRT，通过自监督区域划分、形状Transformer和区域感知解码器实现无监督点云配准，在ModelNet40等基准上取得优越性能。
2024-02-22 cs.CV
Correspondence-Free SE(3) Point Cloud Registration in RKHS via Unsupervised Equivariant Learning
University of Michigan（密歇根大学）；Amazon Lab126（亚马逊Lab126）
提出一种无需对应关系的无监督SE(3)点云配准方法，通过将点云映射到RKHS并利用等变特征实现直接配准，在合成与真实含噪数据集上精度优于经典和监督方法。
2024-07-29 cs.CV cs.RO
Unsupervised Learning of Global Registration of Temporal Sequence of Point Clouds
New York University Abu Dhabi（纽约大学阿布扎比分校）；New York University（纽约大学）；NYU Tandon School of Engineering（纽约大学坦登工程学院）
点云的全局配准旨在找到一系列2D或3D点集的最佳对齐。在本文中，我们提出了一种新的方法，利用当前的深度学习技术，从点云的时间序列进行全局配准的无监督学习。我们的主要新颖之处在于，我们引入了一个深时空再现（STREP）功能，它描述了在未知环境中使用传感器获取的点云序列的时间和空间关系的几何本质。与之前单独处理每个时间步（成对配准）的做法相反，我们的无监督模型从优化潜在STREP特征序列开始，然后将其解码为时间和空间连续的几何变换序列，以全局对齐多个点云。我们已经在模拟的2D和真实的3D数据集上评估了我们提出的方法，实验结果表明，我们的方法可以通过考虑深度特征学习中的时间信息来击败其他技术。
2020-06-17 cs.CV cs.LG
A Single Correspondence Is Enough: Robust Global Registration to Avoid Degeneracy in Urban Environments
Korea Advanced Institute of Science and Technology（韩国科学技术院）；NAVER LABS（NAVER实验室）
使用3D点云进行全局配准是移动平台实现定位或管理闭环情况的关键技术。近年来，许多研究人员提出了全局配准方法来解决大量的离群对应。不幸的是，退化问题，这表示的现象，其中估计的内点的数量变得低于三个，仍然是潜在的不可避免的。针对这一问题，提出了一种退化鲁棒的基于仿射的全局配准方法Quatro。特别是，我们的方法采用准SO（3）估计，利用亚特兰大世界假设在城市环境中，以避免退化的旋转估计。因此，我们的方法的最小自由度（DoF）从三个减少到一个。在室内和室外3D LiDAR数据集中验证，与其他全局配准方法相比，我们提出的方法即使对于遥远的点云对也具有鲁棒的全局配准性能。此外，实验结果证实了我们的方法作为粗对准的适用性。我们的代码可以在https://github.com/url-kaist/quatro上找到。
2022-03-13 cs.CV cs.RO
Planning with Learned Dynamic Model for Unsupervised Point Cloud Registration
Nanjing University of Science and Technology（南京理工大学）
点云配准是三维计算机视觉中的一个基本问题。本文将点云配准问题转化为强化学习中的规划问题，通过试错法寻求源点云和目标点云之间的转换。通过将点云配准过程建模为马尔可夫决策过程（MDP），我们开发了一个潜在的点云动态模型，由转换网络和评估网络组成。变换网络旨在预测在执行刚性变换之后点云的新的变换特征（即，动作），而评估网络旨在预测变换后的源点云和目标点云之间的对准精度作为奖励信号。一旦点云的动态模型被训练，我们采用交叉熵方法（CEM）迭代更新规划策略，通过最大化点云配准过程中的回报。因此，最优策略，即，源点云和目标点云之间的变换可以通过逐渐缩小变换的搜索空间来获得。在ModelNet40和7Scene基准数据集上的实验结果表明，该方法可以在无监督的情况下获得良好的配准性能。
2021-08-19 cs.AI cs.CV
IRON: Invariant-based Highly Robust Point Cloud Registration
East China University of Science and Technology（华东理工大学）
在本文中，我们提出了IRON（基于不变量的全局鲁棒估计和优化），一个非最小的和高度鲁棒的解决方案，点云配准与大量的离群点之间的对应关系。为了实现这一点，我们将配准问题解耦为尺度、旋转和平移的估计。我们的第一个贡献是提出了RANSIC（RANdom Samples with Invariant Compatibility），它利用不变相容性从随机样本中寻找内点，同时鲁棒地估计两组点云之间的尺度。一旦规模估计，我们的第二个贡献是放松到一个凸半定规划（SDP）的非凸全局注册问题，在可证明的方式使用平方和（SOS）松弛，并表明放松是紧的。对于鲁棒估计，我们进一步提出了RT-GNC（粗修剪和分级非凸性），一个全局离群拒绝启发式具有更好的鲁棒性和时间效率比传统的GNC，作为我们的第三个贡献。有了这些贡献，我们可以呈现我们的配准算法IRON。通过在真实数据集上的实验，我们证明了IRON是高效的，高度准确的，并且对多达99%的离群值具有鲁棒性，无论规模是已知的还是未知的，都优于现有的最先进的算法。
2021-03-24 cs.CV cs.RO
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
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
AutoURDF: Unsupervised Robot Modeling from Point Cloud Frames Using Cluster Registration
Columbia University（哥伦比亚大学）；Creative Machines Lab（创意机器实验室）
本文提出 AutoURDF，通过基于聚类的点云配准跟踪 6-DoF 运动，无监督地完成部件分割、拓扑推断和关节参数估计，自动生成兼容仿真器的机器人描述文件。
2025-03-25 cs.CV cs.RO
Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration
ETH Zurich（苏黎世联邦理工学院）
深度点云配准方法面临部分重叠和依赖标记数据的挑战。为了解决这些问题，我们提出了UDPReg，这是一种用于部分重叠点云的无监督深度概率配准框架。具体来说，我们首先采用一个网络来学习高斯混合模型（Gestival）的后验概率分布从点云。为了处理部分点云的配准，我们应用Sinkhorn算法预测的分布水平的对应下的约束的混合权重的GRESS。为了实现无监督学习，我们设计了三种基于分布一致性的损失：自一致性，交叉一致性和局部对比性。自洽性损失是制定通过鼓励在欧氏空间和特征空间共享相同的后验分布的高斯白噪声。交叉一致性损失源于属于相同聚类的两个部分重叠的点云的点共享聚类质心的事实。交叉一致性损失允许网络灵活地学习两个对齐点云的变换不变后验分布。局部对比度损失有利于网络提取有区别的局部特征。我们的UDPReg在3DMatch/3DLoMatch和ModelNet/ModelLoNet基准测试中获得了具有竞争力的性能。
2023-03-23 cs.AI cs.CV math.PR
Performance Evaluation of 3D Correspondence Grouping Algorithms
Huazhong University of Science and Technology（华中科技大学）
本文提出了一个彻底的评估几个广泛使用的3D对应分组算法，其意义的视觉任务依赖于正确的功能对应的动机。一个好的对应分组算法需要从初始特征匹配中检索尽可能多的内点，从而提高查准率和查全率。针对这一规则，我们部署了三个基准分别解决形状检索，三维物体识别和点云配准的情况下的实验。应用环境的多样性带来了丰富的滋扰类别，包括噪声、变化的点密度、杂乱、遮挡和部分重叠。这也导致了不同比例的内点和对应分布的综合评价。基于定量的结果，我们给出了评价算法的优点/缺点从性能和效率的角度进行了总结。
2018-04-06 cs.CV cs.RO
PCR-99: A Practical Method for Point Cloud Registration with 99 Percent Outliers
University of Zaragoza（萨拉戈萨大学）；KU Leuven（鲁汶大学）
提出PCR-99点云配准方法，利用成对尺度一致性排序和三元组尺度一致性剔除外点，在99%外点率下显著提升未知尺度配准的鲁棒性与速度。
2024-09-09 cs.CV cs.RO
