Tag · 13 篇
点云配准
UniCorrn：跨 2D 与 3D 的统一对应 Transformer
UniCorrn: Unified Correspondence Transformer Across 2D and 3D
用共享权重的双流解码器（外观流+位置流）统一 2D-2D、2D-3D、3D-3D 匹配，可直接复用到跨模态特征匹配与点云配准的特征融合与查询式对应估计环节。
TAlignDiff：基于扩散变换学习的自动牙齿对齐
TAlignDiff: Automatic Tooth Alignment assisted by Diffusion-based Transformation Learning
将扩散模型用于学习变换矩阵的潜分布，并与点云回归网络双向反馈，为点云配准/对齐任务提供了一种结合几何约束与生成式先验的新范式。
SuP：子点云驱动的点云配准
SuP: Sub-cloud Driven Point Cloud Registration
把低重叠配准转化为高重叠子点云对（锚框对）挖掘问题，用特征显著性先验加权加多尺度邻域一致性后加权筛选锚框对，再做 merge-to-match 生成对应关系；对做点云配准、部分重叠匹配的人可直接复用这套子点云锚框挖掘与对齐感知加权损失。
用可学习 B 样条体表示三维人脸
Representing 3D Faces with Learnable B-Spline Volumes
把 B 样条体的控制点换成高维可学习控制特征，并用小型 MLP 预测残差位移，得到一种连续、局部可编辑的三维人脸表示；可直接作为从点云或单目图像回归三维人脸的解码器，替代常用的 PCA 或线性基底。
PointGS：基于3D高斯泼溅的语义一致无监督3D点云分割
PointGS: Semantic-Consistent Unsupervised 3D Point Cloud Segmentation with 3D Gaussian Splatting
利用3D高斯泼溅作为中间表示，将稀疏点云重建为稠密高斯空间，再通过多视图渲染和SAM提取语义，用对比学习蒸馏到3D高斯基元，最后配准回原点云实现无监督分割。这为2D-3D语义迁移提供了一种可复用的技术路线，尤其适合标注稀缺的3D场景理解任务。
PointCNN++：在原生点上执行高性能卷积
PointCNN++: Performant Convolution on Native Points
把稀疏卷积从体素推广到原始高精度点坐标，并以 MVMR 形式实现专用 GPU kernel，可直接替换体素骨干用于点云配准等需要几何精度的任务，兼顾显存与速度。
MHopReg：面向点云配准的高效层次化多跳图搜索
MHopReg: Efficient Hierarchical Multi-Hop Graph Search for Point Cloud Registration
把对应点筛选建模为兼容图上的层次化多跳搜索，用簇均衡种子采样覆盖低重叠区域的碎片化内点，并用分布感知排序在多个假设中挑空间分布均匀的变换——这套「图搜索+种子采样+假设排序」流程可直接迁移到低重叠点云配准、特征匹配外点剔除等视觉几何任务。
Generalized-CVO：基于二阶黎曼优化的快速无对应局部点云配准
Generalized-CVO: Fast and Correspondence-Free Local Point Cloud Registration with Second Order Riemannian Optimization
提出一种基于RKHS嵌入和二阶黎曼优化的无对应点云配准方法，可显著提升LiDAR/RGB-D帧间跟踪精度与速度，适用于需要快速局部配准的视觉里程计或跟踪系统。
GM-R^2：面向无监督几何表征与配准的生成式匹配学习
GM-R^2: Generative Matching Learning for Unsupervised Geometric Representation and Registration
把描述子学习重构成以深度图为条件的跨视角生成任务，用视图合成的代理监督隐式约束对应点特征一致性；其去噪无关的耦合 ControlNet 与可缩放等距柱状投影（无需内参的点云转深度）可直接用于无监督 3D 配准与点云到深度图的稠密投影。
DualReg：面向刚性配准的双空间过滤与强化
DualReg: Dual-Space Filtering and Reinforcement for Rigid Registration
用轻量单点 RANSAC 先过滤特征对应、再以过滤后的对应为锚框提取几何代理做局部精配准，这套「特征粗配 + 几何精修」的双空间流程可直接迁移到点云配准与 SLAM 前端，兼顾大变换鲁棒性与实时性。
基于形变的上下文学习用于点云理解
Deformation-based In-Context Learning for Point Cloud Understanding
用任务提示引导的形变场替代掩码点建模来预测目标点云，为点云 ICL 提供显式几何先验并消除训练-推理目标不一致，可直接迁移到补全、去噪、配准等点云处理任务。
跨实例高斯泼溅配准：基于几何感知特征引导的对齐
Cross-Instance Gaussian Splatting Registration via Geometry-Aware Feature-Guided Alignment
提出一种基于视角引导球面图特征和迭代绝对定向求解器的3DGS配准框架，可处理不同物体间的相似变换估计，为3DGS模型对齐和类别级配准提供了可复用技术。
C-GenReg：基于多视图一致几何到图像生成与概率模态融合的免训练三维点云配准
C-GenReg: Training-Free 3D Point Cloud Registration by Multi-View-Consistent Geometry-to-Image Generation with Probabilistic Modalities Fusion
将点云配准转化为图像域匹配问题，利用世界基础模型生成多视图一致RGB，再借助视觉基础模型提取稠密对应，为跨模态配准提供免训练、即插即用的新范式。