RegFormer++: 一种高效的大规模 3D LiDAR 点云配准网络，具备投影感知的 2D Transformer
计算机视觉与模式识别
2026-03-17 v1
摘要
尽管点云配准在对象级和室内场景方面取得了显著进展，但在大规模 LiDAR 配准方法方面仍鲜有探索。主要挑战源于海量点数据规模、复杂的点分布以及户外 LiDAR 扫描中大量的离群点。此外，大多数现有配准工作通常采用两阶段范式：首先通过提取判别性局部描述子来寻找配对，然后利用鲁棒估计器（如 RANSAC）来过滤离群点，这些方法高度依赖于精心设计的描述子和后处理选择。为解决这些问题，我们提出一种新颖的端到端差分变换器网络，称为 RegFormer++，用于大规模点云配准，无需额外的后处理。具体而言，提出一种具有线性复杂度的层次化投影感知 2D 变换器，将原始 LiDAR 点投影到柱面 surfaces 上并提取全局点特征，由于利用了长程依赖，可提高对离群点的鲁棒性。由于我们将原始 3D 坐标填充到 2D 投影位置上，所设计的变换器能够同时从 2D 处理的高效率和 3D 几何信息的准确性中受益。此外，为有效减少错误点匹配，设计了双向关联变换器（Bijective Association Transformer, BAT），结合了交叉注意力和全点收集。为提高训练稳定性和鲁棒性，还设计了特征变换的最优传输模块，用于回归最终的位姿变换。 extensive experiments on KITTI, NuScenes, and Argoverse 数据集表明，我们的模型在准确性和效率方面均实现了最先进的性能。
引用
@article{arxiv.2603.14290,
title = {RegFormer++: An Efficient Large-Scale 3D LiDAR Point Registration Network with Projection-Aware 2D Transformer},
author = {Jiuming Liu and Guangming Wang and Zhe Liu and Chaokang Jiang and Haoang Li and Mengmeng Liu and Tianchen Deng and Marc Pollefeys and Michael Ying Yang and Hesheng Wang},
journal= {arXiv preprint arXiv:2603.14290},
year = {2026}
}