配准Geometric Transformer for Fast and Robust Point Cloud Registration（7-55CVPR-超点）

之前研究存在的问题、论文的出发点：

• 全局上下文特征在配准过程中起到关键作用，在此过程中采用了Transformer架构来提取全局上下文特征。然而传统的Transformer模型（vanilla Transformer）并未充分考虑点云的空间关系（几何结构），而是仅依赖于高级点云特征（coordinate information），这导致所提取出的特征在空间关系上缺乏足够的鉴别能力，并容易产生误配。
• 在候选对应关系中出现较低的内尔比率（inlier rate）。
• 基于位置嵌入的方法在编码位置信息方面具有一定的变异性，在配准过程中输入点云的位置变换会导致编码效果出现问题。此外，在对几何信息进行编码时仅考虑了点对之间的距离以及三元组的角度。
• 目前大多数现有方法[25,36]将超点匹配建模为多标签分类问题，并采用双softmax损失函数[25]或最优传输框架下的交叉熵损失[23,36]进行优化训练。值得注意的是，在这种设定下每个超点会被赋予（分类）到其他一个或多个超点中去，在真实场景中基于拼接重叠计算的地物真对应关系可能是多对一的关系。

文章的主要研究内容：

层次对应策略：从粗到细级联处理空间信息，在KPConv-FPN框架中进行多级下采样操作以提取逐层细节特征；其中，在最粗粒度（即第一级和最后一级）的空间位置上设置对应的密集区域与目标超区域。
通过Geometric Transformer 模块不仅能够捕获复杂的高级点云特征信息还能有效建模三维空间中的几何内蕴结构特性；在此基础上实现各向异性尺度下的特征融合。
值得注意的是尽管某些区域的局部几何特性可能缺乏足够的区分能力但在整体数据集中仍存在多个高度相似的局部片段；为此我们不仅依赖于强大的混合特征表示能力还对混合特征的空间分布特性进行了双归一化处理[22,25]；这一过程显著提升了模型在复杂场景下的匹配性能。
针对超区域描述符提取问题我们采用基于度量学习的方法构建高效的表征模型；具体而言采用了类似于文献[4,15]中的圆损失函数作为基础框架但在这种设计中忽略了正样本间的细微差别导致其在面对部分特定场景时表现出一定的泛化不足。

网络架构：

论文摘要与结论：

摘要 ：

我们研究了为点云配准提取精确对应关系的问题。最近的无关键点方法 绕过了在低重叠场景下难以检测可重复关键点，在配准方面显示出巨大潜力。他们寻求下采样超点上的对应关系，然后将其传播到密集点。基于相邻补丁是否重叠来匹配超点 。这种稀疏和松散的匹配需要上下文特征来捕获点云的几何结构。我们提出了几何转换器来学习几何特征以实现稳健的超点匹配。它对成对距离和三重角度进行编码，使其在低重叠情况下具有鲁棒性，并且对刚性变换是不变的。简单的设计获得了令人惊讶的高匹配精度，以便在对齐变换的估计中不需要ransaac，导致加速100倍。我们的方法在具有挑战性的 3dlomatch 基准上将内部比率提高了 17∼30 个百分点，注册召回率提高了 7 个百分点以上。我们的代码和模型可在 https://github.com/qinzheng93/geotransformer 获得。

结论 ：

我们提出了几何转换器来学习用于点云配准的鲁棒从粗到细的对应关系。通过对超点之间的成对距离和三重角度进行编码，我们的方法通过变换不变性捕获点云之间的几何一致性。由于可靠的对应关系，它以免跑的方式实现了快速准确的配准。我们讨论了我们的方法在appx中的局限性。e.未来，我们希望将我们的方法扩展到具有更丰富应用的跨模态(例如，2d-3d)配准