摘要

我们研究了点云配准中提取精确对应点的问题。近期的一些无关键点方法通过绕过重复关键点的检测，展示了巨大的潜力，尤其是在重叠度较低的情况下，这种检测尤为困难。这些方法在降采样的超点上寻找对应关系，然后将这些对应关系传播到密集点上。超点的匹配基于其邻域补丁是否重叠。这种稀疏且松散的匹配需要上下文特征来捕捉点云的几何结构。为此，我们提出了几何变换器（Geometric Transformer），简称GeoTransformer，用于学习鲁棒的超点匹配几何特征。该模型编码了成对距离和三元组角度，使其对刚性变换具有不变性，并在低重叠情况下表现出鲁棒性。这种简洁的设计达到了令人惊讶的高匹配精度，使得在估计对齐变换时无需使用RANSAC算法，从而实现了100倍的加速。我们在涵盖室内、室外、合成、多视图和非刚性场景的丰富基准数据集上进行了广泛的实验，验证了GeoTransformer的有效性。特别是在具有挑战性的3DLoMatch基准数据集上，我们的方法将内点比例提高了18~31个百分点，并将配准召回率提高了超过7个百分点。我们的代码和模型可在以下网址获取：\url{https://github.com/qinzheng93/GeoTransformer}。