OIF-PCR++：通过条件位置编码的渐进式提取实现点云配准

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：OIF-PCR++: Point Cloud Registration via Progressive Distillation of Conditional Positional Encoding

点云配准中提出条件位置编码（CPE）方法，通过分阶段迭代优化整合几何信息。第一阶段基于不同iable最优传输建立点云对应，编码长度信息提升空间一致性；第二阶段采用渐进方向对齐策略，逐步融入方向信息增强特征区分度。引入在lier传播机制协同优化，有效减少特征歧义。实验表明该方法在多种基准测试中性能优于SOTA，计算开销边际且泛化能力强。

　　

摘要：

Transformer架构在各种视觉任务中展现了巨大的潜力，包括点云配准。位置编码作为一种具有顺序意识的模块，在Transformer框架中起着关键作用。在本文中，我们提出了一种用于点云配准的条件位置编码（CPE）方法——OIF-PCR++。该方法的CPE核心模块在不同阶段利用长度编码和向量编码，这些编码过程依赖于待配准点云之间的相对姿态状态。通过结合几何线索，该方法逐步消除了特征上的歧义。在CPE的基础上，我们引入了一个迭代的位置编码优化流程，包括两个阶段：1）通过一个可微分的最优传输层找到点云之间的对应关系，并利用该关系将长度信息编码到点云特征中，从而提高不同参考框架之间的空间一致性；2）应用渐进式方向对齐策略来实现点云之间的粗略对齐，然后借助这种对齐逐渐融合方向信息，进一步增强特征区分度并减少特征歧义。通过这种迭代优化过程，长度和方向信息被有效地整合在一起，实现了一致且具有区分性的位置编码，从而能够学习到具有辨识度的点云特征。此外，我们还提出了一种内点传播机制，该机制能够协调地整合一致的几何信息以用于位置编码。所提出的方法效率很高，计算开销较低，同时显著提高了特征的可区分性。广泛的实验表明，该方法在室内、室外、对象级和多路基准测试中的性能均优于现有方法，并且具有很强的泛化能力，能够适应复杂的真实世界场景。

引言

点云配准是一个基础研究课题，在场景重建[1]、自动驾驶[2]和机器人技术[3]等领域有着广泛的应用。其目标是通过估计两个部分重叠的点云之间的刚性变换，将它们对齐到一个统一的坐标系统中，从而构建出一个连贯且一致的三维结构。常用的基于特征的点云配准流程包括两个主要步骤：建立点云对应关系以及估计最优的刚性变换以对齐重叠的扫描区域。尽管过去几十年取得了显著进展，但由于重叠程度低、重复模式以及姿态或视角的变化等因素，这一任务仍然具有挑战性，这些因素会阻碍可靠的点匹配，常常导致对齐效果不佳。