Dual Quaternion SE(3) Synchronization with Recovery Guarantees¶

会议: ICML 2026
arXiv: 2602.00324
代码: https://github.com/jnzhao333/dq_sync
领域: 3D视觉 / 优化 / 位姿同步
关键词: SE(3) 同步、对偶四元数、谱方法、广义幂法、多扫描点云配准

一句话总结¶

本文用单位对偶四元数（UDQ）替代 \(4\times4\) 矩阵来参数化 SE(3) 同步问题，先用 Hermitian 对偶四元数矩阵的幂迭代算出谱初始化，再用每步逐元投影到 \(\mathrm{UDQ}^n\) 的广义幂法（DQGPM）做迭代精化，首次给出 SE(3) 同步的有限步线性收敛与显式误差界，并在多扫描点云配准上把旋转/平移误差和算法时间都打到了矩阵方法之下。

研究背景与动机¶

领域现状：SE(3) 同步——从一堆带噪声的相对位姿 \(T_{ij}\) 反推所有节点的绝对位姿——是 SLAM、多点云配准、SfM 的基础原语。主流做法是用 \(4\times4\) 矩阵表示位姿，跑谱松弛（EIG）、半定松弛（SDR）或者 Lie 代数平均/Riemannian 优化，再在最后一步把解 "圆整"（rounding）回 SE(3)。

现有痛点：矩阵表示有个结构性问题——表示间隙（representation gap）。在 \(\mathrm{SO}(2)\) 上用复数表示时，特征空间的等距群恰好就是 \(\mathrm{SO}(2)\)，rounding 退化为简单归一化；在 \(\mathrm{SO}(d)\) 上用矩阵表示时，等距群是 \(\mathrm{O}(d)\)，引入一个温和的反射歧义但能被 SVD 解决；可一旦到 SE(3)，由于 \(\mathrm{SE}(3)=\mathrm{SO}(3)\ltimes\mathbb{R}^3\) 是非紧的，而松弛后的特征空间几何是紧致正交的，松弛解会远离流形，rounding 不再是 "纠错" 而成了 "强加结构"，必须依赖多步启发式（拆分旋转/平移、再各自投影），既不稳定也很难分析。

核心矛盾：要选一种参数化，使得谱松弛产生的特征空间歧义群恰好和 SE(3) 的全局规范对称性对齐，这样 rounding 才能是良性的投影，理论分析才走得通。对偶四元数刚好提供这种对齐——单位对偶四元数 \(\mathrm{UDQ}\) 是个紧致的 7 维流形，能同时编码旋转和平移，并且 Hermitian 对偶四元数矩阵的特征结构和 SE(3) 同步的规范对称性匹配。

本文目标：(1) 把 SE(3) 同步形式化为 \(\mathrm{UDQ}^n\) 上的最小二乘 QPQC；(2) 设计一个有理论保证的两阶段算法——谱初始化 + 迭代精化；(3) 给出有限步收敛和噪声相关的显式误差界。

切入角度：作者注意到对偶四元数 \(\mathbb{DH}\) 虽然是带零因子的环（不是域）、模长只是对偶数取值的伪范数、主特征对要按字典序定义——这些性质让经典的同步理论无法直接套用，但只要：(a) 把 \(\mathrm{UDQ}\) 上的规范化映射 \(\mathcal{N}(\cdot)\) 写成闭式并证明它是 Lipschitz；(b) 用对偶数的"标准部 + 对偶部"分别控制误差，就能把矩阵情形下的谱+GPM 分析框架平移过来。

核心 idea：把每个位姿写成单位对偶四元数 \(x_i\in\mathrm{UDQ}\)，求解 \(\min_{\bm{x}\in\mathrm{UDQ}^n}\|\bm{C}-\bm{x}\bm{x}^*\|_F^2\)，先用 Hermitian DQ 矩阵 \(\bm{C}\) 的对偶四元数幂迭代得到初始化，再用每步投影到 \(\mathrm{UDQ}^n\) 的广义幂法（DQGPM）精化——这样每个迭代点都自动可行，且能证明线性收敛到 \(O(\|\bm{\Delta}\hat{\bm{x}}\|_2/n)\) 的误差地板。

方法详解¶

整体框架¶

输入是 Hermitian 对偶四元数测量矩阵 \(\bm{C}\in\mathbb{DH}^{n\times n}\)，其中 \(C_{ij}=\hat{x}_i\hat{x}_j^*+\Delta_{ij}\)，\(\Delta_{ij}\) 是观测噪声。输出是 \(\bm{x}\in\mathrm{UDQ}^n\)，即 \(n\) 个绝对位姿的对偶四元数估计。整个流水线分两阶段：

谱初始化（Algorithm 1）：对 \(\bm{C}\) 跑幂迭代得到主特征向量 \(\bm{u}_1\in\mathbb{DH}^n\)（约束 \(\|\bm{u}_1\|_2^2=n\)），然后逐元素投影 \(\bm{x}^0=\Pi(\bm{u}_1)\in\mathrm{UDQ}^n\)；
DQGPM 精化（Algorithm 2）：每步先做矩阵-向量乘 \(\bm{y}^k=\bm{C}\bm{x}^{k-1}\)，再投影 \(\bm{x}^k=\Pi(\bm{y}^k)\)，迭代到收敛。

把问题写成 QPQC：\(\arg\max_{\bm{x}\in\mathrm{UDQ}^n} \bm{x}^*\bm{C}\bm{x}\)（Proposition 2.1 证明这与原最小二乘等价，目标差一个常数因子 2）。如果把 \(\mathrm{UDQ}^n\) 松弛成 \(\|\bm{x}\|_2^2=n\) 的对偶四元数球面，最优解就是 \(\bm{C}\) 的主右特征向量 \(\bm{u}_1\)，这就是谱估计的来源。

关键设计¶

闭式投影 \(\Pi:\mathbb{DH}^n\to\mathrm{UDQ}^n\) 与 \(\mathcal{N}(\cdot)\) 的 Lipschitz 性质:
- 功能：把任意（可能不可行的）对偶四元数向量逐元素映回单位对偶四元数集合 \(\mathrm{UDQ}^n\)，并保证投影前后到任何可行点的距离最多放大 2 倍。
- 核心思路：先定义单点规范化 \(\mathcal{N}(x)\) —— 当标准部 \(x_{\mathrm{st}}\neq 0\) 时给出闭式 \(u_{\mathrm{st}}=x_{\mathrm{st}}/|x_{\mathrm{st}}|\)，对偶部 \(u_{\mathcal{I}}=x_{\mathcal{I}}/|x_{\mathrm{st}}| - (x_{\mathrm{st}}/|x_{\mathrm{st}}|)\cdot\mathrm{sc}(x_{\mathrm{st}}^*/|x_{\mathrm{st}}|\cdot x_{\mathcal{I}}/|x_{\mathrm{st}}|)\)（这一步显式扣掉了对偶部里和标准部"平行"的分量，正好对应 SE(3) 中平移在旋转方向上的投影）。\(\Pi\) 在 \(y_i=0\) 处用 fallback \(\mathcal{N}(\bm{e}^*\bm{y})\)（任意非零参考向量 \(\bm{e}\)）保证良定义。Lemma 2.5 证 \(|\mathcal{N}(y)-z|\le 2|y-z|\)，这是后面所有误差传递的关键工具。
- 设计动机：矩阵方法的 rounding 是多步启发式（先 SVD 投影旋转、再算质心、再修平移），既无解析式又难分析；闭式 \(\Pi\) 把它变成一步可控的算子，Lipschitz 性把谱解的误差界 \(4\|\bm{\Delta}\|_{\mathrm{op}}/\sqrt{n}\)（Proposition 2.4）平移成投影后的 \(8\|\bm{\Delta}\|_{\mathrm{op}}/\sqrt{n}\)（Theorem 2.8），常数项被严格 bound 住而不是 "希望它够小"。
对偶四元数幂迭代谱初始化:
- 功能：在 \(\bm{C}\) 上跑幂迭代得到主特征向量 \(\bm{u}_1\)，要求满足 \(\bm{u}_1^*\bm{C}\bm{u}_1\ge\hat{\bm{x}}^*\bm{C}\hat{\bm{x}}\)，再投影得到可行初值 \(\bm{x}^0\)。
- 核心思路：迭代 \(\bm{y}^k=\bm{C}\bm{w}^{k-1},\ \bm{w}^k=\bm{y}^k\cdot(\|\bm{y}^k\|_2)^{-1}\)；只需要 \(\lambda_{1,\mathrm{st}}\neq 0\) 和初值标准部不正交于主特征向量标准部就能良定义。收敛速度由 \(r=|\lambda_{1,\mathrm{st}}/\lambda_{2,\mathrm{st}}|>1\) 控制，要保证 \(\bm{x}^0\) 落入 DQGPM 的吸引域只需 \(K_{\mathrm{init}}\ge\log_r(70|\alpha_{2,\mathrm{st}}|+69M_{\mathrm{st}})/|\alpha_{1,\mathrm{st}}|\) 步。
- 设计动机：对偶四元数环有零因子，向量除法不再总良定义；作者把整个分析切成"标准部主导收敛、对偶部跟着标准部走"两层，规避了零因子问题。同时 Proposition 2.4 在算子范数噪声下给出 \(\mathrm{d}(\bm{x},\hat{\bm{x}})\le 4\|\bm{\Delta}\|_{\mathrm{op}}/\sqrt{n}\) 的 nonasymptotic 界，比 "希望初值靠近真值" 强得多。
DQGPM：每步可行的广义幂法及其有限步收敛保证:
- 功能：从谱初值 \(\bm{x}^0\) 出发，交替做 \(\bm{y}^k=\bm{C}\bm{x}^{k-1}\) 和 \(\bm{x}^k=\Pi(\bm{y}^k)\)，每个 \(\bm{x}^k\) 都自动落在 \(\mathrm{UDQ}^n\) 上（"stop-anytime feasible"），可以任意时刻停掉拿出来用。
- 核心思路：把 GPM（Journée et al. 2010）扩展到对偶四元数上。Theorem 3.2 证明在噪声 \(\|\bm{\Delta}\|_{\mathrm{op},\mathrm{st}}\le n/350\) 时，标准部误差按 \(\mathrm{d}_{\mathrm{st}}(\bm{x}^k,\hat{\bm{x}})\le (1/10)^k\cdot\sqrt{n}/25 + (700/53n)\|(\bm{\Delta}\hat{\bm{x}})_{\mathrm{st}}\|_2\) 线性收缩；对偶部误差通过引入 "残差对偶部上界 \(B\)" 和 "标准-对偶耦合常数 \(\gamma\)" 两个辅助量同样线性收缩，地板项是 \(O(\|\bm{\Delta}\hat{\bm{x}}\|_2/n)\)。
- 设计动机：矩阵方法的 GPM 在 SE(3) 上一直缺收敛证明，因为 \(\mathrm{SE}(3)\) 不紧、平移可任意大、对偶数模长只是伪范数。作者用"标准部用 Euclid 度量、对偶部用条件依赖标准部的耦合不等式"这套技巧绕过了非紧性。最终 DQGPM 的误差 \(O(\|\bm{\Delta}\hat{\bm{x}}\|_2/n)\) 比谱估计的 \(O(\|\bm{\Delta}\|_{\mathrm{op}}/\sqrt{n})\) 在 i.i.d. 高斯噪声下要紧得多（因为真值不会和噪声主奇异方向对齐，\(\|\bm{\Delta}\hat{\bm{x}}\|_2\lesssim\sqrt{n}\|\bm{\Delta}\|_{\mathrm{op}}/2\)）。

损失函数 / 训练策略¶

不是学习方法，没有训练，只有迭代算法。停止准则用 \(\|\bm{x}^k-\bm{x}^{k-1}\|_2\) 阈值即可；初始化幂迭代步数 \(K_{\mathrm{init}}\) 按 Corollary 3.4 给出的显式下界估计。

实验关键数据¶

主实验¶

合成数据：节点数 \(n\) 个，相对位姿在 ER 图（边概率 \(p\)）上观测，加 i.i.d. Hermitian 对偶四元数噪声，噪声等级标记为 (平移噪声 \(\sigma_t\), 旋转噪声 \(\sigma_r\))；对比谱分解 EIG（Arrigoni 2016b）、谱松弛 SPEC（Doherty 2022）、半定松弛 SDR（Rosen 2019）。

设定 (噪声 / 观测率)	Error_r (DQGPM)	Error_r (SPEC)	Error_r (EIG)	Error_t (DQGPM)	Error_t (SPEC)	Error_t (EIG)
(0.05, 5°), p=0.05	0.132 ± 0.042	1.639 ± 1.971	0.174 ± 0.156	0.102 ± 0.032	0.480 ± 0.530	0.551 ± 1.109
(0.20, 20°), p=0.05	0.424 ± 0.060	2.035 ± 1.823	0.585 ± 0.572	0.369 ± 0.078	0.660 ± 0.455	1.043 ± 1.359
(0.05, 5°), p=0.30	0.027 ± 0.001	0.032 ± 0.013	0.098 ± 0.618	0.021 ± 0.001	0.023 ± 0.001	0.137 ± 0.441
(0.20, 20°), p=0.30	0.111 ± 0.005	0.141 ± 0.126	0.219 ± 0.613	0.085 ± 0.005	0.090 ± 0.005	0.194 ± 0.257

可以看到：在稀疏观测（\(p=0.05\)，即每条边只有 5% 概率被看到）这种最难的设定下，DQGPM 的旋转误差只有 SPEC 的 1/10、EIG 的 1/3 左右，平移误差也是数量级优势；在稠密观测（\(p=0.30\)）下提升收窄但依旧稳定占优，且方差远小于对手。SDR 因为可扩展性差，被作者从表中剔除。

多扫描点云配准（真实数据）¶

数据集 (sparse)	Missing	DQGPM 时间 (s)	DQGPM Err	最佳基线
Bunny	48.00%	0.0010	最佳	EIG/SDR 慢 1-2 个数量级
Buddha	66.67%	0.0021	最佳	同上
Dragon	60.44%	0.0014	最佳	同上
Armadillo	58.33%	—	最佳	同上

在 Bunny / Buddha / Dragon / Armadillo 四个 Stanford 数据集上，DQGPM 在 sparse 和 dense 两种设定下都拿到最低的旋转/平移误差，并且单次迭代在 ms 级别，比基于 SDR 的 SE-Sync 快 1-2 个数量级。

关键发现¶

稀疏观测才是真正的差异点：\(p=0.30\) 时各方法差距很小，但 \(p=0.05\) 时 SPEC 直接退化到接近随机（rotation error 1.6+），EIG 方差爆炸；DQGPM 几乎不受影响——说明对偶四元数表示的 "rounding gap 小" 在样本不足时尤其重要。
误差地板符合理论：DQGPM 的渐近误差是 \(O(\|\bm{\Delta}\hat{\bm{x}}\|_2/n)\)，比谱估计的 \(O(\|\bm{\Delta}\|_{\mathrm{op}}/\sqrt{n})\) 紧一个 \(\sqrt{n}\) 数量级，这在 dense + 大 \(n\) 设定下体现得最明显。
算法效率来自 "无 SDP"：DQGPM 只做对偶四元数矩阵-向量乘和逐元投影，单步复杂度 \(O(n^2)\)，可以在笔记本（Ryzen 7 + 16 GB）上跑实测；相比之下 SDR 求解 PSD 锥规划，在 \(n>500\) 时基本无法扩展。

亮点与洞察¶

表示对齐的视角非常清爽：Table 1 把 \(\mathrm{SO}(2)\)/\(\mathrm{SO}(d)\)/\(\mathrm{SE}(3)\) 的 "特征空间-同步问题" 间隙摆在一起，一眼能看出为什么矩阵法在 SE(3) 上注定要打补丁、为什么对偶四元数是 "天然的"选择。这种 representation-induced gap 分析方法可以迁移到其他流形优化问题（如 \(\mathrm{Sim}(3)\)、\(\mathrm{SE}(2)\times\mathbb{R}\) 等）。
闭式投影是整个分析的支点：Lemma 2.5 的两步证明（Cui-Qi 度量投影 + 算子单调性）非常简洁，把投影从 "启发式步骤" 提升到 "可微分析的算子"。这个套路对任何 "松弛-rounding" 流程都有借鉴价值。
"标准部主导收敛、对偶部跟随" 是处理对偶数迭代的通用技巧：作者在 Theorem 3.2 里把对偶部误差控制拆成 \(\delta_{\mathcal{I}}^{k+1}\le\|(\cdot)_{\mathcal{I}}\|_2+\gamma\|(\cdot)_{\mathrm{st}}\|_2\) 的耦合不等式，规避了 "对偶数模长是伪范数" 这个老大难。任何用对偶数做参数化的优化算法都可以借鉴。
第一份 SE(3) 同步的有限步收敛保证：之前的 GPM 类方法都只给渐近结论，本文给出显式的 "跑 \(k\) 步误差有多大" 的界，可以直接用来设计自适应停止准则。

局限与展望¶

噪声常数偏紧：Theorem 3.2 要求 \(\|\bm{\Delta}\|_{\mathrm{op},\mathrm{st}}\le n/350\)，比 \(\mathrm{SO}(d)\) 同步的 \(n/100\) 类界严苛；实际跑实验时观察到方法在更大噪声下也工作，说明理论界不紧——还有改进空间。
缺非均匀噪声分析：合成实验都假设 i.i.d. Hermitian 噪声，但点云配准里 ICP 给出的初值噪声往往与轨迹相关、与节点度数相关；这种异方差情形下 \(\|\bm{\Delta}\hat{\bm{x}}\|_2\) 与 \(\|\bm{\Delta}\|_{\mathrm{op}}\) 的关系会变化，需要新分析。
未利用 GPU：算法主要操作是稠密矩阵-向量乘，理论上很适合 GPU；但对偶四元数算术没有现成 CUDA kernel，作者也只在 CPU 上跑，工程化还差一步。
未覆盖外点（outlier）情形：现在的分析全是高斯型噪声，但 SLAM 实际中常有完全错误的回环（gross outlier）；未来值得把 truncated least squares 或 IRLS 框架套到 DQGPM 上。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 第一份对偶四元数 SE(3) 同步的完整理论 + 算法，representation-gap 分析框架本身就值得发表
实验充分度: ⭐⭐⭐⭐ 合成 + 真实数据 + 4 个对比方法，但缺多种噪声分布、缺大规模数据
写作质量: ⭐⭐⭐⭐ 公式密集但结构清晰，Table 1 的对比表很有说服力；附录里的细节估计要花点功夫
价值: ⭐⭐⭐⭐⭐ 多扫描配准、SfM、SLAM 后端可以直接换 backbone，工程上不需要 SDP solver