基于概率聚类分析的非刚性点集配准CVPR满分论文一、背景这篇博客介绍我们发表在CVPR 2024上的非刚性点集配准工作该工作有幸获得了CVPR 三位审稿人的全部满分好评。非刚性点集配准Non-Rigid Point Set Registration是计算机视觉和图形学领域的一个经典难题——简单来说就是要把一个形状“变形”成另一个形状的样子。它在三维重建、姿态追踪、动画制作、医学图像配准等场景中都有着广泛的应用。传统方法大多走的是“两步走”路线先找对应点再做配准。但这种思路有两个致命伤一是找对应点本身就很难尤其是两个形状差异很大的时候二是即便找到了对应点后续的配准也容易累积误差。近年来深度学习的方法也被引入这个领域但大多依赖大量标注数据泛化能力有限。那么问题来了能不能不找对应点直接把配准做了而且还要能处理大变形本文介绍的这篇论文——《Correspondence-Free Non-Rigid Point Set Registration Using Unsupervised Clustering Analysis》发表于 CVPR 2024就是冲着这个问题来的。作者团队来自中科院、香港中科院、山东大学、北京大学等多个机构提出了一套令人耳目一新的解决方案。如果大家需要进行非刚性点云配准强烈推荐试一试。代码链接[https://github.com/zikai1/ClusterReg] 。二、核心思想把配准问题“翻译”成聚类问题这篇论文最妙的地方在于它的视角转换。以往的方法都把源点云和目标点云当作两个独立的东西来处理先找对应、再算变形。但这篇论文反其道而行之——把整个配准过程重新建模为一个概率无监督聚类问题。具体怎么做的呢源点云→ 当作聚类中心clustering centroids目标点云→ 当作聚类样本clustering members这样一来聚类中心的动态优化和更新就对应着源形状的变形过程。你不需要显式地去寻找“A点对应B点”只需要让聚类中心不断地向样本“靠拢”变形就在这个靠拢的过程中自然完成了。这个思路从信息论和凸优化的角度都有扎实的理论支撑并且在每次迭代中都能给出闭式解closed-form solutions保证了计算效率。三、三大技术亮点1. 拉普拉斯核 ℓ₁正则化 → 更鲁棒的变形场传统方法如 CPD通常使用高斯核来描述变形场但高斯核对噪声和异常值比较敏感。这篇论文另辟蹊径在 Tikhonov 正则化框架下引入了基于 ℓ₁ 范数的拉普拉斯核Laplacian kernel。简单来说这个组合能让变形场更加平滑、更加鲁棒——尤其是在处理带有噪声或部分缺失的点云时优势更加明显。2. Nyström 低秩近似 → 计算复杂度降到线性非刚性配准的一个老大难问题是计算量。传统的 Gram 矩阵存储和计算复杂度往往是 O(N²) 甚至更高点云一多就直接炸了。这篇论文引入了聚类改进的 Nyström 方法把 Gram 矩阵的计算复杂度和存储需求降到了线性级别O(N)。更厉害的是作者还给出了针对拉普拉斯核的近似误差界的严格数学证明——既有速度又有保障。3. 维度无关 → 2D 和 3D 通吃很多方法是为 2D 或 3D 单独设计的换一个维度就得重新调参甚至重新设计算法。但这个方法与空间维度无关dimension-independent2D 和 3D 场景都能直接应用。四、实验结果论文在多个数据集上进行了大量实验结果可以用一句话概括在大变形场景下显著超越竞争对手。尤其值得一提的是在**形状迁移shape transfer和医学图像配准medical registration**这两个极具挑战性的任务上该方法表现出了卓越的鲁棒性和精度。图 1 展示了该方法在 3D 点集上的配准效果——蓝色和灰色分别是源和目标点云黄色是配准结果。即使在极具挑战性的变形下依然实现了成功的配准。五、总结这篇论文的贡献可以概括为三点提出了一个无需对应点的非刚性点集配准方法将配准问题重新建模为概率无监督聚类分析绕开了“找对应点”这个老大难。引入了拉普拉斯核函数进行位移场正则化并给出了 Nyström 低秩近似误差界的严格理论证明。方法维度无关、迭代有闭式解在大变形场景下性能提升显著。如果你正在做三维重建、形状分析、医学图像配准相关的工作这篇论文值得仔细读一读。代码已开源[https://github.com/zikai1/ClusterReg] 基于概率聚类分析的非刚性点集配准
基于概率聚类分析的非刚性点集配准CVPR满分论文一、背景这篇博客介绍我们发表在CVPR 2024上的非刚性点集配准工作该工作有幸获得了CVPR 三位审稿人的全部满分好评。非刚性点集配准Non-Rigid Point Set Registration是计算机视觉和图形学领域的一个经典难题——简单来说就是要把一个形状“变形”成另一个形状的样子。它在三维重建、姿态追踪、动画制作、医学图像配准等场景中都有着广泛的应用。传统方法大多走的是“两步走”路线先找对应点再做配准。但这种思路有两个致命伤一是找对应点本身就很难尤其是两个形状差异很大的时候二是即便找到了对应点后续的配准也容易累积误差。近年来深度学习的方法也被引入这个领域但大多依赖大量标注数据泛化能力有限。那么问题来了能不能不找对应点直接把配准做了而且还要能处理大变形本文介绍的这篇论文——《Correspondence-Free Non-Rigid Point Set Registration Using Unsupervised Clustering Analysis》发表于 CVPR 2024就是冲着这个问题来的。作者团队来自中科院、香港中科院、山东大学、北京大学等多个机构提出了一套令人耳目一新的解决方案。如果大家需要进行非刚性点云配准强烈推荐试一试。代码链接[https://github.com/zikai1/ClusterReg] 。二、核心思想把配准问题“翻译”成聚类问题这篇论文最妙的地方在于它的视角转换。以往的方法都把源点云和目标点云当作两个独立的东西来处理先找对应、再算变形。但这篇论文反其道而行之——把整个配准过程重新建模为一个概率无监督聚类问题。具体怎么做的呢源点云→ 当作聚类中心clustering centroids目标点云→ 当作聚类样本clustering members这样一来聚类中心的动态优化和更新就对应着源形状的变形过程。你不需要显式地去寻找“A点对应B点”只需要让聚类中心不断地向样本“靠拢”变形就在这个靠拢的过程中自然完成了。这个思路从信息论和凸优化的角度都有扎实的理论支撑并且在每次迭代中都能给出闭式解closed-form solutions保证了计算效率。三、三大技术亮点1. 拉普拉斯核 ℓ₁正则化 → 更鲁棒的变形场传统方法如 CPD通常使用高斯核来描述变形场但高斯核对噪声和异常值比较敏感。这篇论文另辟蹊径在 Tikhonov 正则化框架下引入了基于 ℓ₁ 范数的拉普拉斯核Laplacian kernel。简单来说这个组合能让变形场更加平滑、更加鲁棒——尤其是在处理带有噪声或部分缺失的点云时优势更加明显。2. Nyström 低秩近似 → 计算复杂度降到线性非刚性配准的一个老大难问题是计算量。传统的 Gram 矩阵存储和计算复杂度往往是 O(N²) 甚至更高点云一多就直接炸了。这篇论文引入了聚类改进的 Nyström 方法把 Gram 矩阵的计算复杂度和存储需求降到了线性级别O(N)。更厉害的是作者还给出了针对拉普拉斯核的近似误差界的严格数学证明——既有速度又有保障。3. 维度无关 → 2D 和 3D 通吃很多方法是为 2D 或 3D 单独设计的换一个维度就得重新调参甚至重新设计算法。但这个方法与空间维度无关dimension-independent2D 和 3D 场景都能直接应用。四、实验结果论文在多个数据集上进行了大量实验结果可以用一句话概括在大变形场景下显著超越竞争对手。尤其值得一提的是在**形状迁移shape transfer和医学图像配准medical registration**这两个极具挑战性的任务上该方法表现出了卓越的鲁棒性和精度。图 1 展示了该方法在 3D 点集上的配准效果——蓝色和灰色分别是源和目标点云黄色是配准结果。即使在极具挑战性的变形下依然实现了成功的配准。五、总结这篇论文的贡献可以概括为三点提出了一个无需对应点的非刚性点集配准方法将配准问题重新建模为概率无监督聚类分析绕开了“找对应点”这个老大难。引入了拉普拉斯核函数进行位移场正则化并给出了 Nyström 低秩近似误差界的严格理论证明。方法维度无关、迭代有闭式解在大变形场景下性能提升显著。如果你正在做三维重建、形状分析、医学图像配准相关的工作这篇论文值得仔细读一读。代码已开源[https://github.com/zikai1/ClusterReg]