面向跨尺度、场景和传感器设置的零样本点云配准
计算机视觉与模式识别
2026-01-07 v1 机器人学
摘要
一些基于深度学习的点云配准方法在零样本推理方面存在困难，往往需要针对新环境进行数据集特定的超参数调优或重新训练。我们确定了三个关键局限性：(a)固定的用户定义参数（如体素大小、搜索半径）无法在不同尺度之间普遍化；(b)学习的关键点检测器在跨域迁移方面表现不佳；(c)绝对坐标会放大数据集之间的尺度不匹配。为解决这三个问题，我们提出了BUFFER-X，一个实现零样本普遍化的训练-free配准框架，通过：(a)几何引导实现自动超参数估计，(b)基于分布的最远点采样取代学习检测器，以及(c)基于patch的坐标归一化确保尺度一致性。我们的方法采用层次多尺度匹配来提取局部、中等和全局感受野范围内的对应点，从而实现在多样化环境中的稳健配准。对于效率关键的应用，我们引入BUFFER-X-Lite，通过早期退出策略和快速姿态求解器将总计算时间缩短43%（相对于BUFFER-X），同时保持准确性。我们在包括对象尺度、室内和户外场景的12个数据集上进行评估，包括异构LiDAR配置之间的跨传感器配准。结果表明，我们的方法在无需手动调优或了解测试域先验知识的情况下能够有效普遍化。代码：https://github.com/MIT-SPARK/BUFFER-X。
引用
@article{arxiv.2601.02759,
title = {Towards Zero-Shot Point Cloud Registration Across Diverse Scales, Scenes, and Sensor Setups},
author = {Hyungtae Lim and Minkyun Seo and Luca Carlone and Jaesik Park},
journal= {arXiv preprint arXiv:2601.02759},
year = {2026}
}
备注
18 pages, 15 figures. Extended version of our ICCV 2025 highlight paper [arXiv:2503.07940]. arXiv admin note: substantial text overlap with arXiv:2503.07940