Diff-PCR: 基于扩散的双随机矩阵空间对应搜索用于点云配准
计算机视觉与模式识别
2026-04-10 v6
摘要
高效识别点云之间的精确对应关系对于刚性和非刚性点云配准都至关重要。现有方法通常依赖几何或语义特征嵌入来建立对应关系，然后估计变换或流场。最近，一些最先进的方法采用类似RAFT的迭代更新来细化解。然而，这些方法仍然有两个主要局限性。首先，它们的迭代细化机制缺乏透明度，一旦细化开始，更新轨迹基本固定，可能导致次优解。其次，它们忽略了在求解变换或流场之前显式细化对应矩阵的重要性。大多数现有方法在特征空间中计算候选对应关系，并仅通过使用Sinkhorn或双softmax归一化一次性投影得到的匹配矩阵。这种一次性投影可能远非全局最优解，并且这些方法通常不建模目标匹配矩阵的分布。在本文中，我们提出了一种新颖框架，利用去噪扩散模型在双随机矩阵空间中预测最优匹配矩阵的搜索梯度。具体来说，扩散模型学习一个去噪方向，反向去噪过程沿着这个学习到的方向迭代搜索改进的解，该方向近似于目标匹配矩阵的最大似然方向。为了提高效率，我们设计了一个轻量级去噪模块，并采用了去噪扩散隐式模型（DDIM）的加速采样策略。在3DMatch/3DLoMatch和4DMatch/4DLoMatch上的实验结果证明了所提框架的有效性。
引用
@article{arxiv.2401.00436,
title = {Diff-PCR: Diffusion-Based Correspondence Searching in Doubly Stochastic Matrix Space for Point Cloud Registration},
author = {Haihua Shi and Qianliang Wu},
journal= {arXiv preprint arXiv:2401.00436},
year = {2026}
}