发表机构
Nantong University; Nanyang Technological University; Nanjing University; Nanjing University of Science and Technology; Southeast University（南通大学; 南洋理工大学; 南京大学; 南京理工大学; 东南大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
BridgeMatch提出两阶段生成式求解器，通过扩散估计全局匹配矩阵并用条件传输桥细化，在4DMatch等基准上提升非刚性点云配准精度，尤其改善低重叠场景。
AI 中文摘要
可靠的非刚性点云对应关系对于可变形解剖配准、具身感知与操作以及动态三维重建至关重要。由粗到细的方法通过选择前K个粗区域来降低计算成本。然而，这种剪枝可能会移除微弱但正确的假设，并将精细匹配限制在不完整的搜索空间中。我们提出BridgeMatch，一个两阶段生成式求解器，在粗分辨率和细分辨率下都保持完整的软匹配矩阵。第一阶段使用去噪扩散在紧凑的粗分辨率空间中估计全局匹配矩阵。然后我们在保持其层次结构的同时将该矩阵提升到高分辨率。提升后的矩阵具有秩有界和块常数性质。第二阶段通过条件传输桥对其进行细化。我们用两种动力学实现该桥：一种确定性的端点参数化条件流匹配（CFM）常微分方程，以及一种受薛定谔桥启发的随机布朗桥随机微分方程。两种变体共享提升的源、时间条件变换器和匹配矩阵端点预测器。在4DMatch和4DLoMatch上的实验表明，两种变体都比所比较的方法产生更准确的对应关系，并改进下游配准，在低重叠情况下收益更大。它们还提高了在CAPE和DeepDeform上的跨数据集泛化能力，无需目标域自适应，同时使用相同的变形求解器。
英文摘要
Reliable matching between partially observed, deforming point clouds requires global context and fine geometric detail. Coarse candidate selection can exclude correct fine-level correspondences. We present \paper, a unified conditional transport framework with the matching matrix itself as the evolving state. Coarse diffusion establishes global matching hypotheses; hierarchy-preserving lifting expands them into a structured high-resolution source. Geometry-conditioned ODE and SDE bridges continue refinement in the complete fine-level candidate space, allowing coarse errors to be corrected. The deterministic endpoint-parameterized conditional flow matching (CFM) design improves matching through iteration, while the SDE forward drift enables effective few-step refinement. Experiments on 4DMatch and 4DLoMatch demonstrate competitive matching and non-rigid registration, with transfer to CAPE and DeepDeform without target-domain training.
