论文题目：Progressive Correspondence Regenerator for Robust 3D Registration（用于鲁棒3D配准的渐进对应再生器）
会议：CVPR2025
摘要：获得足够高质量的通信对于鲁棒的配准至关重要。现有的对应关系优化方法大多采用异常值去除的范式，要么无法正确识别极端异常值比下的准确对应关系，要么选择的正确对应关系太少，无法支持鲁棒的配准。为了解决这一挑战，我们提出了一种名为Regor的新方法，它是一种渐进的对应再生器，可以生成更高质量的匹配，同时对许多异常值具有足够的鲁棒的。在每次迭代中，我们首先使用先验引导的局部分组和广义相互匹配来生成局部对应。然后提出了一种强大的中心感知三点一致性来实现局部对应校正，而不是去除。此外，我们采用全局对应细化，从全局角度获得准确的对应。通过渐进式迭代，这个过程产生了大量高质量的通信。在室内和室外数据集上的大量实验表明，所提出的Regor显著优于现有的离群值去除技术。更重要的是，我们的方法获得比异常值去除方法多10倍的正确对应。因此，我们的方法即使在弱特征下也能实现鲁棒的配准。
一、论文概览
这篇发表在CVPR 2025的论文提出了一种名为**Regor (Progressive Correspondence Regenerator)**的创新方法，用于解决3D点云配准中的对应点质量问题。论文来自厦门大学、中山大学等机构的研究团队。
核心创新 ：与传统的"删除异常点"思路不同，Regor采用"生成高质量对应点"的策略，能够将正确对应点数量提升10倍以上。
二、问题分析
2.1 现有方法的困境
当前3D点云配准主要面临以下挑战：
1. 初始对应点质量差
- 在低重叠、高噪声场景下，特征匹配会产生大量错误对应点
- 初始正确对应点（inliers）占比极低，常常不足1%
2. 传统方法的局限性
现有方法分为两类：
- 几何方法（如RANSAC、SC²-PCR）：基于几何一致性删除异常点
- 学习方法（如PointDSC、VBReg）：将问题视为分类任务
核心问题：这些方法都采用"自上而下的剪枝"策略（如图1(a)所示），只能从初始对应点中筛选，当初始正确对应点很少时，即使全部识别出来也无法支持鲁棒配准。
论文通过实验数据揭示了这个问题的严重性：
- 在异常点率超过99%的场景中，SC²-PCR平均只能获得不到1个正确对应点
- 配准成功率仅为9.15% （3DMatch）和3.28%（3DLoMatch）
三、创新方法：Regor
3.1 核心思想
Regor采用**"自下而上的再生"**策略（如图1(b)所示）：
- 不是删除错误对应点，而是渐进式生成更多高质量对应点
- 利用前一阶段对应点的位置先验引导局部区域的精细化匹配
3.2 方法架构
整体框架包含三个核心模块：
模块1：局部分组与重匹配
（1）先验引导的局部分组
- 从前一阶段的对应点中采样种子点
- 以种子点为中心，在半径r^t内进行邻域搜索，构建局部点云对
- 数学表达：
（2）广义互匹配（GMM）
这是论文的一大创新点。传统互匹配（mutual matching）在局部区域特征相似时往往找不到任何匹配，而GMM通过放松约束解决了这个问题：
其中：
- M_1：最近邻匹配矩阵
- M_2：多近邻匹配矩阵
- ⊙：Hadamard积（逐元素相乘）
- ⊗：逐元素逻辑或运算
如图所示，GMM能够在保证一定准确性的同时，生成更多候选对应点。
模块2：局部对应点精化
中心感知三点一致性（CTC）
这是Regor的另一个关键创新。传统的三点一致性只考虑三个点对之间的关系，而CTC利用了种子对应点的高可靠性：
其中：
- g^(t-1)_i 是来自前一阶段的中心种子点（精度高）
- 通过中心点作为"桥梁"评估其他对应点的一致性
- 如图所示，这种策略能更准确地识别正确对应点
局部对应点校正
识别高质量对应点后，利用它们估计局部变换T^t_i{R^t_i, t^t_i}，然后对整个局部区域的对应点进行校正：
模块3：全局对应点精化
- 对应点合并：使用哈希表高效合并n个局部区域的对应点，去除重复
- 全局校正：使用二阶一致性从全局视角进一步优化，纠正局部可能出现的错误
3.3 渐进式策略
Regor采用多阶段迭代（通常m=4次迭代）：
- 初期：较大的搜索半径（如r¹=0.6m）确保全局性和鲁棒性
- 后期：逐渐减小半径（如r⁴=0.15m）实现精确收敛
如图6所示，通过4个阶段的迭代：
- 初始阶段：仅7个正确对应点，错误率99%
- 最终阶段：生成1500+个正确对应点，准确率95%
四、实验结果
4.1 3DMatch数据集（室内场景）
使用FPFH（传统描述子）的结果：
| 方法 | RR(%) | RE(°) | TE(cm) | IP(%) | INR(%) | IN |
|---|---|---|---|---|---|---|
| SC²-PCR | 83.24 | 2.21 | 6.70 | 73.64 | 78.78 | 289 |
| MAC | 83.90 | 2.11 | 6.80 | - | - | - |
| Regor | 88.48 | 1.70 | 5.94 | 82.68 | 1253.74 | 2532 |
关键发现：
- 配准成功率提升5.2个百分点
- 正确对应点数量是SC²-PCR的8.75倍
- INR（对应点增长率）达到1253.74%，远超传统方法的上限100%
使用FCGF（学习描述子）的结果：
| 方法 | RR(%) | INR(%) | IN |
|---|---|---|---|
| Hunter | 94.05 | 88.01 | 1204 |
| SC²-PCR | 93.16 | 87.24 | 1141 |
| Regor | 93.96 | 263.81 | 2620 |
即使使用强特征，Regor仍能将对应点数量提升2.3倍。
4.2 3DLoMatch数据集（低重叠场景）
使用FPFH的对比（更具挑战性）：
| 方法 | RR(%) | RE(°) | IN |
|---|---|---|---|
| MAC | 40.88 | 3.66 | - |
| FastMAC | 38.46 | 4.04 | - |
| Regor | 43.96 | 2.89 | 643.24 |
突破性表现：
- 传统描述子+Regor的性能（43.96%）超过了学习描述子（Predator 68.30%）在该场景下的一般表现
- INR高达778.35%
4.3 3DMatch-EOR基准（极端异常点场景）
这是论文提出的新基准，专门测试极端情况：
异常点率>99%的场景：
| 方法 | 3DMatch RR(%) | 3DMatch IN | 3DLoMatch RR(%) |
|---|---|---|---|
| PointDSC | 2.56 | 0.17 | 0.75 |
| SC²-PCR | 9.15 | 0.34 | 3.28 |
| Regor | 26.76 | 666.94 | 9.27 |
震撼数据：
- 当SC²-PCR平均只有不到1个正确对应点时，Regor能生成667个
- 对应点数量提升约2000倍！
- 配准成功率从9.15%提升到26.76%（17.61个百分点）
4.4 KITTI数据集（室外场景）
| 方法 | RR(%) | RE(°) | TE(cm) | INR(%) | IN |
|---|---|---|---|---|---|
| RANSAC | 74.41 | 1.55 | 30.20 | 87.20 | 190 |
| SC²-PCR | 99.82 | 0.61 | 8.16 | 95.94 | 248 |
| Regor | 99.82 | 0.50 | 5.36 | 2486.82 | 5353 |
在室外大场景中：
- 正确对应点数量达到5353个 ，是SC²-PCR的21.6倍
- 平移误差降低到5.36cm（最优）
4.5 不同特征描述子的鲁棒性测试
这是论文最令人印象深刻的结果之一：
传统描述子的性能提升：
| 描述子 | 原始RR(%) | +Regor RR(%) | 提升 | INR(%) |
|---|---|---|---|---|
| FPFH | 54.34 | 88.48 | +34.14 | 1253.74 |
| RoPS | 54.16 | 91.37 | +37.21 | 2542.32 |
| SHOT | 55.33 | 71.90 | +16.57 | 1981.10 |
学习描述子的性能提升：
| 描述子 | 原始RR(%) | +Regor RR(%) | 提升 | INR(%) |
|---|---|---|---|---|
| GeoTrans | 91.80 | 97.10 | +5.30 | 2649.30 |
| SpinNet | 88.60 | 96.30 | +7.70 | 2799.74 |
| Predator | 89.00 | 91.44 | +2.44 | 4608.34 |
关键发现：
- RoPS（传统描述子）+Regor达到91.37%，超过了FCGF（86.32%）等学习描述子的单独使用
- 如图7所示，使用Regor后，传统描述子的性能全部达到88%以上
- 证明Regor能让"弱特征"实现鲁棒配准
4.6 消融实验
渐进式vs单阶段：
- 单阶段：RR=86.81%, IN=290
- 渐进式：RR=88.48%, IN=2532（提升8.7倍）
匹配策略对比：
- 最近邻匹配（NNM）：IN=2487
- 互匹配（MM）：IN=2392
- 广义互匹配（GMM）：IN=2532（最优）
局部-全局精化：
- 仅局部：RR=87.35%, IP=78.40%
- 仅全局：RR=76.37%, IP=80.48%
- 局部+全局：RR=88.48%, IP=82.68%（性能互补）
五、方法优势总结
5.1 理论创新
- 范式转变：从"删除异常点"到"生成对应点"
- 渐进式策略：从粗到精，利用位置先验逐步优化
- 广义互匹配：解决局部特征相似导致的匹配失败问题
- 中心感知一致性：利用高质量种子点引导局部优化
5.2 性能优势
- 对应点数量 ：比现有方法多10-2000倍
- 极端场景鲁棒性：在99%异常点率下仍能成功配准
- 特征通用性：对弱特征也能实现鲁棒配准
- 效率：0.36秒处理时间（与VBReg的1.02秒相比更快）
5.3 实际应用价值
- 机器人定位：在GPS拒止环境下的精确导航
- 自动驾驶：多帧点云融合与建图
- 遥感测绘：低重叠、高噪声场景的配准
- 工业检测：不完整扫描数据的对齐
六、技术细节与实现
6.1 关键参数设置
- 迭代次数：m=4
- 半径序列：r¹=0.6m → r⁴=0.15m（逐渐减小）
- 种子点采样：使用高效随机采样
- 一致性阈值：σ（根据数据集调整）
6.2 计算复杂度
- 哈希表合并：O(n)时间复杂度
- CTC计算：比二阶一致性（SC）更高效
- 局部处理：并行化友好
6.3 可视化分析
如图5所示，一个典型案例：
- 初始 ：52个正确对应点，6088个错误对应点（异常点率99.15%）
- 最终 ：2853个正确对应点，115个错误对应点（准确率96.13%）
这种"化腐朽为神奇"的能力是Regor的核心优势。
七、局限性与未来方向
虽然论文未明确讨论局限性，但可以推测：
- 参数敏感性：不同场景可能需要调整半径序列
- 特殊几何：对称或重复结构可能仍具挑战性
- 实时性：虽然0.36秒已很快，但某些应用仍需进一步优化
未来方向：
- 自适应参数选择
- 与端到端学习方法结合
- 扩展到非刚性配准
八、结论
Regor代表了3D点云配准领域的一次重要突破。它通过"对应点再生"这一创新范式，从根本上解决了传统方法在极端异常点场景下的失效问题。
核心贡献：
- ✅ 理论创新：提出渐进式对应点再生框架
- ✅ 技术突破：10倍对应点数量提升
- ✅ 鲁棒性：在99%异常点率下仍能工作
- ✅ 通用性：让弱特征也能实现鲁棒配准
数据说服力：
- 在3DMatch上：88.48% RR，2532个正确对应点
- 在极端场景：对应点数量提升2000倍
- 跨描述子：RoPS+Regor达到91.37%，超越学习方法
这项工作为后续研究提供了新的思路：当数据质量不佳时，不要只想着删除，还可以尝试生成更好的数据。这一理念或许也能应用到其他计算机视觉任务中。