UniRiT: 面向少样本非刚性点云配准

非刚性点云配准是3D场景理解中的关键挑战，特别是在手术导航中。尽管现有方法在大规模高质量数据集上训练时取得了优异性能，但这些数据集的采集和标注成本极高，例如真实医疗场景中的器官数据。在训练样本不足和数据噪声的情况下，现有方法性能显著下降，因为非刚性模式比刚性模式更灵活、更复杂，且样本间的分布差异更大，导致少数据条件下的表征学习更加困难。在这项工作中，我们旨在解决这一具有挑战性的少样本非刚性点云配准问题。基于复杂非刚性变换模式可以分解为刚性变换和小幅度非刚性变换的观察，我们提出了一种新颖且有效的框架 UniRiT。UniRiT 采用两步配准策略，首先对齐源点云和目标点云的质心，然后通过非刚性变换细化配准结果，从而显著降低问题复杂度。为了在真实世界数据集上验证 UniRiT 的性能，我们引入了一个新数据集 MedMatch3D，该数据集由真实人体器官组成，展现出样本分布的显著差异性。我们进一步建立了一个少样本非刚性配准的新挑战基准。大量实验结果表明，UniRiT 在 MedMatch3D 上取得了最先进的性能，将现有最佳方法提升了 94.22%。