R-SLPR: Region-based Small-to-Large Point-cloud Registration with Contrastive Learning

📄 arXiv: 2607.26583v1 📥 PDF

作者: Yusen Wan, Zeyuan Chen, Qianshi Zou, Xu Chen

分类: cs.CV

发布日期: 2026-07-29

💡 一句话要点

提出R-SLPR以解决小规模点云与大规模点云配准问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 点云配准 对比学习 三维感知 机器人导航 深度学习

📋 核心要点

  1. 现有的点云配准方法在处理小规模与大规模点云的对齐时，常常面临几何线索不足的问题，导致配准效果不佳。
  2. R-SLPR框架通过区域提议、区域匹配和迭代精细化的三阶段流程，明确识别候选区域，从而提高了配准的鲁棒性。
  3. 在ModelNet40数据集上的评估显示，R-SLPR显著提高了配准精度，位置和旋转的平均绝对误差分别为0.009和1.104，超越了之前的方法。

📝 摘要（中文）

点云配准是机器人系统三维感知的基础。然而，经典的配准算法在对齐包含有限、不完整或模糊几何线索的源点云与参考点云时表现不佳。现有的学习方法通常假设源点云与参考点云具有相似的规模和显著的重叠，未能有效解决小规模点云与大规模参考点云的配准问题。为此，本文提出了一种新的区域基础小到大点云配准框架R-SLPR，该框架通过区域提议、区域匹配和迭代精细化的三阶段架构，显著提高了配准的鲁棒性和精度。实验结果表明，R-SLPR在ModelNet40数据集上设立了新的精度标准，位置和旋转的平均绝对误差分别降低至0.009和1.104。

🔬 方法详解

问题定义：本文旨在解决小规模点云与大规模参考点云之间的配准问题。现有方法在处理小规模、不完整或模糊的几何线索时，常常无法有效对齐，导致配准失败。

核心思路：R-SLPR框架通过将配准问题重构为区域提议、区域匹配和迭代精细化的过程，明确识别候选区域，以确保在严重的规模不匹配情况下仍能实现稳健的对齐。

技术框架：R-SLPR的整体架构分为三个主要阶段：首先进行区域提议，生成局部几何补丁；然后进行区域匹配，估计刚性变换；最后通过迭代精细化来提高对齐精度。

关键创新：R-SLPR的主要创新在于引入了斐波那契网格分割方法和对比学习目标，能够有效生成和匹配局部几何补丁，显著提升了配准的鲁棒性和精度。

关键设计：在设计中，采用了Cascade Anchor Selection和Refinement算法，通过迭代对齐源区域与目标区域，最大化配准精度。同时，损失函数的设计也考虑了对比学习的目标，以增强模型的学习能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

R-SLPR在ModelNet40数据集上的实验结果显示，位置和旋转的平均绝对误差分别降低至0.009和1.104，显著优于现有方法，确立了新的精度标准。这一成果表明R-SLPR在小规模与大规模点云配准任务中的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括机器人导航、自动驾驶、增强现实和三维重建等。通过提高点云配准的精度和鲁棒性，R-SLPR能够在复杂环境中实现更高效的三维感知，推动相关技术的实际应用和发展。

📄 摘要（原文）

Point-cloud (PC) registration is fundamental to three-dimensional (3D) perception in robotic systems. However, classic registration algorithms falter when aligning a source PC containing limited, incomplete, or ambiguous geometric cues against a reference. This challenge of registering a small, partial PC to a significantly larger global reference is pervasive in real-world deployment yet remains insufficiently addressed by existing learning-based approaches, which typically assume comparable scales and significant overlap. To bridge this gap, we propose the Region-based Small-to-Large Point-cloud Registra- tion framework (R-SLPR), a novel three-stage architecture that fundamentally reformulates the scale-mismatched registration problem into a sequence of region proposal, regional matching, and iterative refinement. Unlike conventional methods that fail to localize specific regions, R-SLPR explicitly identifies candidate regions prior to estimating rigid transformations, ensuring robust alignment even under severe scale mismatch. The framework introduces a Fibonacci Grid Segmentation method coupled with a contrastive learning objective to effectively generate and match local geometric patches. Building on this, a novel Cascade Anchor Selection and Refinement algorithm iteratively aligns the source with the target region to maximize precision. Extensive evaluation on ModelNet40 demonstrates that R-SLPR establishes a new state-of-the-art accuracy standard, outperforming prior approaches and significantly reducing position and rotation Mean Absolute Error (MAE) to 0.009 and 1.104, respectively.