BridgeMatch: Conditional Transport Bridges in Matching Matrix Space for 3D Deformable Registration
作者: Qianliang Wu, Haobo Jiang, Guangwei Gao, Shuo Chen, Jin Xie, Jian Yang, Yaqing Ding
分类: cs.CV
发布日期: 2026-09-10
💡 一句话要点
提出BridgeMatch以解决3D变形配准中的点云对应问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 3D变形配准 点云匹配 生成求解器 条件传输桥 去噪扩散 动态系统 跨数据集泛化
📋 核心要点
- 现有的粗到细方法在选择粗区域时可能会去除重要的匹配假设，导致细匹配的搜索空间不完整。
- 本文提出的BridgeMatch通过两阶段生成求解器，保持完整的软匹配矩阵，提升匹配精度。
- 实验结果显示，BridgeMatch在4DMatch和4DLoMatch数据集上均优于对比方法，尤其在低重叠情况下效果显著。
📝 摘要（中文）
可靠的非刚性点云对应关系对于变形解剖配准、体现感知与操作以及动态3D重建至关重要。现有的粗到细方法通过选择前K个粗区域来降低计算成本，但这种修剪可能会去除弱但正确的假设，并限制细匹配在不完整的搜索空间中进行。本文提出了BridgeMatch，一个两阶段的生成求解器，在粗分辨率和高分辨率下保持完整的软匹配矩阵。第一阶段利用去噪扩散估计全局匹配矩阵，并将其提升至高分辨率。第二阶段通过条件传输桥进行细化，采用确定性和随机两种动态实现。实验结果表明，本文方法在多个数据集上均优于现有方法，尤其在低重叠情况下表现出更大的提升。
🔬 方法详解
问题定义：本文旨在解决3D变形配准中的点云对应问题，现有方法在粗到细的匹配过程中可能会丢失重要的匹配假设，导致最终结果不准确。
核心思路：BridgeMatch通过两阶段生成求解器，首先在粗分辨率下生成全局匹配矩阵，然后将其提升至高分辨率，确保匹配过程的完整性和准确性。
技术框架：整体架构分为两个阶段：第一阶段使用去噪扩散生成粗分辨率的匹配矩阵，第二阶段通过条件传输桥进行细化，采用确定性和随机动态实现。
关键创新：最重要的创新在于提出了条件传输桥的概念，结合了确定性流匹配和随机布朗桥的思想，显著提升了匹配的精度和鲁棒性。
关键设计：在设计中，使用了时间条件的变换器和匹配矩阵的端点预测器，确保了在不同分辨率下的匹配一致性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，BridgeMatch在4DMatch和4DLoMatch数据集上相较于对比方法，匹配精度提高了显著的比例，尤其在低重叠情况下，表现出更大的性能提升，验证了其有效性与优越性。
🎯 应用场景
该研究的潜在应用领域包括医学图像配准、机器人抓取与操作、以及动态场景重建等。通过提高点云匹配的准确性，BridgeMatch能够在这些领域中提供更可靠的解决方案，推动相关技术的发展与应用。
📄 摘要（原文）
Reliable non-rigid point cloud correspondences are important for deformable anatomical registration, embodied perception and manipulation, and dynamic 3D reconstruction. Coarse-to-fine methods reduce computational cost by selecting the top-(K) coarse regions. However, this pruning may remove weak but correct hypotheses and restrict fine matching to an incomplete search space. We present \paper, a two-stage generative solver that maintains the complete soft matching matrix at both coarse and high resolutions. Stage~I uses denoising diffusion to estimate a global matching matrix in the compact coarse-resolution space. We then lift this matrix to high resolution while preserving its hierarchy. The lifted matrix is rank-bounded and block-constant. Stage~II refines it through a conditional transport bridge. We implement the bridge with two types of dynamics: a deterministic endpoint-parameterized conditional Flow Matching (CFM) ODE and a stochastic Brownian-bridge SDE inspired by Schrödinger bridges. Both variants share the lifted source, a time-conditioned transformer, and a matching-matrix endpoint predictor. Experiments on 4DMatch and 4DLoMatch show that both variants produce more accurate correspondences than the compared methods and improve downstream registration, with larger gains in low-overlap cases. They also improve cross-dataset generalization on CAPE and DeepDeform without target-domain adaptation while using the same deformation solver.