点对点注册：通过流匹配扩展 3D 点云注册
计算机视觉与模式识别
2026-03-17 v2 机器人学
摘要
点云注册将多个未定位的点云对齐到共同参考框架中,是3D 重建和机器人定位中不可或缺的步骤,且无需初始估计.本文将注册问题转化为条件生成:一个学习的、连续的点级速度场将噪声点运输到已注册场景中,从而恢复每个视图的姿态.与以往方法不同,后者执行对应关系匹配以估计两两变换,然后优化姿态图进行多视图注册,而我们的模型直接生成已注册的点云,同时具备效率和点级全局一致性.通过扩展训练数据规模并进行测试时刚性约束,我们的做法在现有两两注册基准测试和我们提出的跨域多视图注册基准测试上实现了最先进的结果.该方法在该基准测试上的零样本性能优势表明,即使在低重叠情况下,我们的做法也能跨视图数量、场景规模和传感器模态性实现泛化.源代码可在 https://github.com/PRBonn/RAP 获取.
引用
@article{arxiv.2512.01850,
title = {Register Any Point: Scaling 3D Point Cloud Registration by Flow Matching},
author = {Yue Pan and Tao Sun and Liyuan Zhu and Lucas Nunes and Iro Armeni and Jens Behley and Cyrill Stachniss},
journal= {arXiv preprint arXiv:2512.01850},
year = {2026}
}