BUFFER-X：面向多样化场景的零样本点云配准
计算机视觉与模式识别
2025-12-24 v3 机器人学
图像与视频处理
摘要
近期基于深度学习的点云配准进展提升了泛化能力，但大多数方法在应用于新环境时仍需重新训练或手动调参。在本文中，我们指出了限制泛化能力的三个关键因素： 依赖特定环境的体素大小和搜索半径； 基于学习的关键点检测器在域外鲁棒性较差； 使用原始坐标加剧了尺度差异。为了解决这些问题，我们提出了一种名为 BUFFER-X 的零样本配准流水线，其通过 自适应确定体素大小/搜索半径， 使用最远点采样以绕过学习型检测器，以及 利用基于分块的尺度归一化以获得一致的坐标边界。具体而言，我们提出了一种多尺度基于分块的描述符生成方法以及跨尺度的分层内点搜索，以提高在多样化场景中的鲁棒性。我们还提出了一种包含 11 个数据集的新型泛化性基准，涵盖各种室内/室外场景和传感器模态，证明了 BUFFER-X 在无需测试数据集先验信息或手动调参的情况下实现了显著的泛化能力。我们的代码可在 https://github.com/MIT-SPARK/BUFFER-X 获取。
引用
@article{arxiv.2503.07940,
title = {BUFFER-X: Towards Zero-Shot Point Cloud Registration in Diverse Scenes},
author = {Minkyun Seo and Hyungtae Lim and Kanghee Lee and Luca Carlone and Jaesik Park},
journal= {arXiv preprint arXiv:2503.07940},
year = {2025}
}
备注
20 pages, 14 figures. Accepted as a highlight paper at ICCV 2025