C-GenReg：基于多视图几何到图像生成的训练自由3D点云配准
计算机视觉与模式识别
2026-04-21 v1
摘要
我们引入 C-GenReg，一个面向3D点云配准的训练自由框架，利用世界尺度生成先验和面向配准的视觉基础模型 (VFM) 的互补优势。当前基于学习的3D点云配准方法在感知模态、采样差异和环境之间难以泛化。因此，C-GenReg 通过将匹配问题转化为辅助图像域，利用世界基础模型从输入几何生成多视图一致的 RGB 表示来增强几何点云配准分支，其中 VFM 擅长。这种生成式迁移在无需微调的情况下保持源视图和目标视图之间的空间一致性。从这些生成视图中，预训练用于寻找稠密对应点的 VFM 提取匹配点。将所得像素对应点通过原始深度图提升回3D。为进一步增强鲁棒性，我们引入一种“匹配后融合”概率冷融合方案，将生成-RGB 分支的两个独立对应后验融合，其中包括原始几何分支的后验。这种原则方法保留了每个模态的归纳偏置，无需额外学习即可提供校准置信度。C-GenReg 为零-shot 和即插即用：所有模块均为预训练且无需微调。在室内 (3DMatch、ScanNet) 和户外 (Waymo) 基准测试中进行大规模实验，表明其在零-shot 场景下表现优异，跨域泛化性能卓越。首次展示在真实户外激光雷达数据上成功运行的生成式配准框架，其中没有可用的图像数据。
引用
@article{arxiv.2604.16680,
title = {C-GenReg: Training-Free 3D Point Cloud Registration by Multi-View-Consistent Geometry-to-Image Generation with Probabilistic Modalities Fusion},
author = {Yuval Haitman and Amit Efraim and Joseph M. Francos},
journal= {arXiv preprint arXiv:2604.16680},
year = {2026}
}
备注
CVPR 2026