Regor: Progressive Correspondence Regenerator for Robust 3D Registration¶

会议: CVPR 2025
arXiv: 2502.02163
代码: 即将发布
领域: 其他（3D配准）
关键词: 点云配准, 对应关系再生, 外点剔除, 三点一致性, 渐进迭代

一句话总结¶

Regor提出了一种渐进式对应关系再生策略，不同于传统的"自上而下"外点剔除方法，通过"自下而上"地在局部球体内迭代生成更多高质量对应关系，生成的正确匹配数量是现有方法的10倍，即使在弱特征条件下也能实现鲁棒配准。

研究背景与动机¶

点云配准是3D计算机视觉的基础任务，需要估计两组点云之间的刚性变换。在低重叠、高噪声和强自相似场景中，特征匹配往往产生大量外点。

现有外点剔除方法的根本问题： - 几何方法（RANSAC及变体、SC2-PCR）：通过几何一致性筛选对应关系，但在极端外点比例下难以正确识别内点 - 学习方法（PointDSC、VBReg）：将外点剔除视为分类问题，但本质上仍依赖初始对应关系 - 共同缺陷：所有方法都是"做减法"——从初始对应关系中剔除外点。当初始内点极少时，即使完美识别出所有内点，也不足以支撑稳健的位姿估计

关键洞察：与其"剔除错误匹配"，不如"生成更多正确匹配"——从做减法变为做加法。

方法详解¶

整体框架¶

Regor采用渐进迭代框架，每次迭代包含三个模块：(1) 先验引导的局部分组+广义互匹配，在局部区域生成新对应关系；(2) 中心感知三点一致性实现局部对应关系校正；(3) 全局对应关系精练从整体视角优化。通过多次迭代，逐步增加对应关系数量和质量。

关键设计¶

设计一：先验引导的局部分组 + 广义互匹配（GMM）

功能：在局部小空间内高效生成新的对应关系，避免全局匹配的巨大搜索空间
核心思路：以上一轮对应关系\(\mathcal{G}^{t-1}\)的位置先验为引导，在半径\(r^t\)内进行近邻搜索构建局部区域对\((\mathbf{P}_i^t, \mathbf{Q}_i^t)\)。在局部区域内提出广义互匹配：计算双向NN和MNN匹配矩阵，通过Hadamard积获得互匹配矩阵，再用逻辑OR操作放松严格互约束：\(\mathbf{M}^* = (\mathbf{M}_1^{P \to Q} \odot \mathbf{M}_2^{Q \to P}) \otimes (\mathbf{M}_1^{Q \to P} \odot \mathbf{M}_2^{P \to Q})\)
设计动机：局部区域特征相似度高，标准NN匹配会产生大量误匹配，但严格的互NN匹配可能找不到任何对应。GMM通过放松互约束平衡了精度和召回率。随着迭代进行，局部球体半径\(r^t\)逐步缩小以实现精确收敛

设计二：中心感知三点一致性（CTC） — 局部对应关系校正

功能：利用种子点的先验信息，在局部区域内识别内点并校正错误对应
核心思路：利用种子对应\(g_i^{t-1}\)（中心点）的高精度先验，计算CTC：\(s_\Delta(g_j, g_k) = (s_\sigma(g_j, g_i^{t-1}) \cdot s_\sigma(g_i^{t-1}, g_k)) \| s_{\sigma/2}(g_j, g_k)\)，其中\(s_\sigma(g_i, g_j) = \mathbb{1}(|\|\mathbf{p}_i - \mathbf{p}_j\|_2 - \|\mathbf{q}_i - \mathbf{q}_j\|_2| \leq \sigma)\)。高分数对应用于估计局部变换\(\mathbf{T}_i^t\)，再通过最近邻搜索纠正错误匹配
设计动机：传统二点一致性无法区分相似结构的误匹配。引入中心点（准确先验）构成三点约束，大幅提升辨别力。额外的严格点对约束\(s_{\sigma/2}\)防止种子点错误时传播误差

设计三：渐进迭代 + 全局精练 — 密度和精度的同步提升

功能：通过多轮迭代逐步增加内点数量并提升精度
核心思路：每轮迭代先做局部再生+校正，再通过哈希表合并局部对应为全局对应\(\mathcal{G}^t = \bigcup_{i=1}^n \mathcal{G}_i^t\)。全局阶段使用二阶一致性识别高质量对应并纠正异常匹配。随迭代进行局部球体半径递减
设计动机：单次匹配受限于搜索空间和特征质量。渐进策略使每轮都能利用前一轮的改进结果，形成正反馈循环。局部操作大幅降低问题规模和计算时间

损失函数¶

Regor为非学习方法，无需训练。最终位姿估计通过SVD直接从精练后的对应关系求解最小二乘。

实验关键数据¶

主实验：3DMatch数据集配准¶

方法	注册召回率(%)	正确对应数量
RANSAC	基线	基线
SC2-PCR	高	N
PointDSC	高	N
MAC	高	N
Regor	SOTA	~10×N

（注：Regor生成的正确对应数量是outlier removal方法的10倍）

消融实验：各模块贡献¶

配置	效果
无GMM（使用标准互匹配）	局部匹配数量大幅减少
无CTC（使用标准二阶一致性）	局部精度下降
无全局精练	跨区域一致性不足
减少迭代次数	对应数量和精度均降低

关键发现¶

Regor在3DMatch和KITTI数据集上均达到SOTA，特别是在低重叠场景下优势显著
生成的正确对应关系数量是外点剔除方法的10倍，这对鲁棒位姿估计至关重要
即使使用弱特征描述子（非SOTA的特征提取器），Regor仍能实现鲁棒配准
渐进迭代中对应关系的数量和精度同步提升

亮点与洞察¶

范式转变：从"做减法"（外点剔除）到"做加法"（对应再生），根本性地解决了初始内点稀疏的问题
利用先验的渐进策略：每轮迭代的输出成为下一轮的先验，形成自我改进的良性循环
实用价值突出：不依赖特定特征提取器，可插入任何配准管线作为后处理模块

局限与展望¶

迭代过程引入额外计算时间，虽然局部操作控制了复杂度
核心参数（球体半径递减策略、阈值\(\sigma\)等）需要调节
未来可探索学习引导的迭代策略以进一步提升效率和鲁棒性

评分¶

⭐⭐⭐⭐ — 从外点剔除到对应再生的范式转换简洁而深刻，10倍正确匹配的结果令人印象深刻。方法设计清晰，各模块的动机合理。对3D配准领域提供了新的视角。