GMOR：基于几何最大叠加的轻量级稳健点云配准框架
计算机视觉与模式识别
2026-02-02 v2 机器人学
摘要
基于配对的点云配准计算受噪声阈值约束的内点数最大化的刚性变换。当前采用空间兼容性图或分支定界（BnB）搜索的领先方法主要关注高离群比例下的配准。然而，图基方法需要至少二次的空间和时间复杂性来构建图，而多阶段 BnB 搜索方法常因分解阶段之间的局部最优问题而导致不准确。本文提出了通过旋转-only BnB 搜索实现的几何最大叠加配准框架。将刚性变换根据 Chasles 定理分解为沿旋转轴的平移和二维刚性变换。通过 BnB 搜索得到最优旋转轴和角度，剩余参数形式化为范围最大查询（RMQ）问题。首先，在由立方映射参数化的半球内搜索前k个候选旋转轴，并通过沿每个轴投影的配对在该轴上估计平移。其次，将二维配准放宽为一维旋转角搜索，结合轴对齐矩形的二维 RMQ 几何叠加问题，通过扫描线算法和线段树在多项式时间内确定性求解。在室内 3DMatch/3DLoMatch扫描和户外 KITTI LiDAR 数据集上实验结果表明，该方法在准确率和效率方面优于领先方法， worst 情况下空间复杂性为多项式，时间复杂性随点数线性增长。
引用
@article{arxiv.2508.17427,
title = {GMOR: A Lightweight Robust Point Cloud Registration Framework via Geometric Maximum Overlapping},
author = {Zhao Zheng and Jingfan Fan and Long Shao and Hong Song and Danni Ai and Tianyu Fu and Deqiang Xiao and Yongtian Wang and Jian Yang},
journal= {arXiv preprint arXiv:2508.17427},
year = {2026}
}