ERNet：用于点序列的高效非刚性配准网络
计算机视觉与模式识别
2025-10-20 v1
摘要
将物体形状配准到发生非刚性变形的点云序列是长久以来的挑战。关键难点主要来自两个因素：(i)由于配准目标的非凸性，尤其是在噪声或部分输入情况下，存在局部极小值，阻碍准确且稳健的变形估计；(ii)在长序列上导致误差累积，引发跟踪失败。为此，我们引入并采用一种可扩展的数据驱动方法，提出ERNet，一个高效的前馈模型，训练于大规模变形数据集。该模型旨在处理噪声和部分输入，同时有效地利用时序信息实现准确且一致的顺序配准。我们的设计关键在于通过两个阶段的管线预测一系列变形图，首先对每帧的粗糙图节点进行鲁棒初始化，然后在滑动窗口内对其轨迹进行细化。广泛的实验表明，我们提出的方法:(i)在DeformingThings4D和D-FAUST数据集上超越了以往的最先进技术；(ii)相较于前所未有的性能实现了4倍以上的加速，显著提升了效率。
引用
@article{arxiv.2510.15800,
title = {ERNet: Efficient Non-Rigid Registration Network for Point Sequences},
author = {Guangzhao He and Yuxi Xiao and Zhen Xu and Xiaowei Zhou and Sida Peng},
journal= {arXiv preprint arXiv:2510.15800},
year = {2025}
}
备注
Accepted to ICCV 2025. Project Page: https://guangzhaohe.com/ernet