iMatcher：通过局部到全局几何一致性学习提高点云配准中的匹配
计算机视觉与模式识别
2025-09-12 v1
摘要
本文提出了 iMatcher，一个用于点云配准中特征匹配的全可微框架。该方法利用学习特征来预测具有局部和全局一致性的几何置信度矩阵。首先，局部图嵌入模块引导得分矩阵的初始化。随后，通过在 3D 空间中进行最近邻搜索，考虑源到目标和目标到源的双向匹配，对该矩阵进行重新定位以进行细化。然后，将配对点特征堆叠在一起，通过全局几何一致性学习来预测点-wise 匹配概率。在针对真实世界户外（KITTI、KITTI-360）和室内（3DMatch）数据集，以及 6-DoF 位姿估计（TUD-L）和部分到部分匹配（MVP-RG）的大量实验中，结果表明 iMatcher 在刚性配准性能方面显著优于现有方法。在 KITTI 上实现 95% - 97% 的 inlier 比率，在 KITTI-360 上实现 94% - 97%，在 3DMatch 上最高可达 81.1%，凸显其在多样化场景下的鲁棒性。
引用
@article{arxiv.2509.08982,
title = {iMatcher: Improve matching in point cloud registration via local-to-global geometric consistency learning},
author = {Karim Slimani and Catherine Achard and Brahim Tamadazte},
journal= {arXiv preprint arXiv:2509.08982},
year = {2025}
}