iMatcher: Improve matching in point cloud registration via local-to-global geometric consistency learning

📄 arXiv: 2509.08982v1 📥 PDF

作者: Karim Slimani, Catherine Achard, Brahim Tamadazte

分类: cs.CV

发布日期: 2025-09-10

💡 一句话要点

iMatcher：通过局部到全局几何一致性学习改进点云配准中的特征匹配

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction) 支柱七：动作重定向 (Motion Retargeting)

关键词: 点云配准 特征匹配 几何一致性 图神经网络 深度学习

📋 核心要点

  1. 现有方法在点云配准中难以有效利用局部和全局几何信息，导致特征匹配精度不高。
  2. iMatcher通过学习几何一致的置信度矩阵，融合局部图嵌入和全局几何一致性学习，提升匹配精度。
  3. 实验表明，iMatcher在KITTI、KITTI-360和3DMatch等数据集上取得了显著的内点率提升，达到SOTA水平。

📝 摘要（中文）

本文提出iMatcher，一个完全可微的点云配准特征匹配框架。该方法利用学习到的特征来预测几何一致的置信度矩阵，融合了局部和全局一致性。首先，局部图嵌入模块初始化得分矩阵。随后的重定位步骤通过在3D空间中进行双边源到目标和目标到源的最近邻搜索来细化该矩阵。然后将配对的点特征堆叠在一起，通过全局几何一致性学习进行细化，以预测点级的匹配概率。在真实世界的室外（KITTI、KITTI-360）和室内（3DMatch）数据集，以及6自由度姿态估计（TUD-L）和部分到部分匹配（MVP-RG）上的大量实验表明，iMatcher显著提高了刚性配准性能。该方法实现了最先进的内点率，在KITTI上达到95%-97%，在KITTI-360上达到94%-97%，在3DMatch上高达81.1%，突显了其在不同环境下的鲁棒性。

🔬 方法详解

问题定义：点云配准旨在找到两个点云之间的变换关系，而特征匹配是其中的关键步骤。现有方法通常难以充分利用点云的局部和全局几何信息，导致匹配错误率较高，尤其是在噪声、遮挡和低重叠率的情况下。因此，如何提高点云特征匹配的准确性和鲁棒性是一个重要的挑战。

核心思路：iMatcher的核心思路是通过学习一个几何一致的置信度矩阵来指导特征匹配。该置信度矩阵不仅考虑了局部特征的相似性，还考虑了全局的几何一致性，从而能够更准确地判断两个点是否应该匹配。通过可微的框架，可以端到端地学习特征和置信度矩阵，从而优化匹配性能。

技术框架：iMatcher的整体框架包括以下几个主要模块：1) 局部图嵌入模块：用于初始化得分矩阵，捕捉局部几何信息。2) 重定位步骤：通过双边最近邻搜索细化得分矩阵，考虑源到目标和目标到源的匹配关系。3) 全局几何一致性学习：通过堆叠配对的点特征，学习点级的匹配概率，进一步提升匹配精度。整个框架是完全可微的，可以进行端到端训练。

关键创新：iMatcher的关键创新在于融合了局部和全局几何一致性学习。传统的特征匹配方法通常只关注局部特征的相似性，而忽略了全局的几何约束。iMatcher通过学习置信度矩阵，将局部特征相似性和全局几何一致性结合起来，从而能够更准确地进行特征匹配。此外，iMatcher采用可微的框架，可以端到端地学习特征和置信度矩阵，进一步优化匹配性能。

关键设计：在局部图嵌入模块中，使用了图神经网络来捕捉局部几何信息。在重定位步骤中，采用了双边最近邻搜索来细化得分矩阵。在全局几何一致性学习中，使用了多层感知机（MLP）来学习点级的匹配概率。损失函数的设计也至关重要，需要平衡局部特征相似性和全局几何一致性。具体的参数设置和网络结构需要根据具体的应用场景进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

iMatcher在多个数据集上取得了显著的性能提升。在KITTI数据集上，内点率达到95%-97%，在KITTI-360数据集上达到94%-97%，在3DMatch数据集上高达81.1%。这些结果表明，iMatcher在不同的场景下都具有很强的鲁棒性。此外，iMatcher还在6自由度姿态估计（TUD-L）和部分到部分匹配（MVP-RG）等任务上取得了优异的成绩，证明了其泛化能力。

🎯 应用场景

iMatcher在机器人导航、三维重建、自动驾驶等领域具有广泛的应用前景。高精度的点云配准是这些应用的基础，iMatcher的提出可以显著提升这些应用的性能和可靠性。例如，在自动驾驶中，iMatcher可以用于定位和地图构建，提高车辆的感知能力和安全性。在三维重建中，iMatcher可以用于拼接不同的扫描数据，生成更完整和准确的三维模型。

📄 摘要（原文）

This paper presents iMatcher, a fully differentiable framework for feature matching in point cloud registration. The proposed method leverages learned features to predict a geometrically consistent confidence matrix, incorporating both local and global consistency. First, a local graph embedding module leads to an initialization of the score matrix. A subsequent repositioning step refines this matrix by considering bilateral source-to-target and target-to-source matching via nearest neighbor search in 3D space. The paired point features are then stacked together to be refined through global geometric consistency learning to predict a point-wise matching probability. Extensive experiments on real-world outdoor (KITTI, KITTI-360) and indoor (3DMatch) datasets, as well as on 6-DoF pose estimation (TUD-L) and partial-to-partial matching (MVP-RG), demonstrate that iMatcher significantly improves rigid registration performance. The method achieves state-of-the-art inlier ratios, scoring 95% - 97% on KITTI, 94% - 97% on KITTI-360, and up to 81.1% on 3DMatch, highlighting its robustness across diverse settings.