Diff-PCR：基于扩散的点云配准中的双随机矩阵空间对应搜索
内容提要
本文综述扩散模型在点云配准中的应用：DiffusionPCR将配准视为去噪扩散过程，在3DMatch/3DLoMatch上注册率达95.3%/81.6%；其他进展包括基于SE(3)扩散的6D姿态估计、DiffMatch、利用扩散特征实现图像—点云跨模态匹配（内点率提升20.6%）、深度图匹配快速配准、DIFT图像对应、软到硬匹配及DiffRef3D三维检测。
延伸解读
扩散模型为点云配准提供概率新视角
文章将点云配准视为从噪声变换到目标变换的去噪扩散过程，并利用旋转矩阵和刚体变换的辅助信息逐步提升精度。这种概率建模方式不同于传统判别式方法，为配准问题提供了统一的生成式表达。DiffusionPCR在3DMatch和3DLoMatch上分别达到95.3%和81.6%的注册率，表明扩散框架在该任务上具有竞争力。
跨模态匹配借助扩散特征提升内点率
文章指出，利用深度到图像扩散模型提取的中间特征，可在图像与点云之间建立语义一致的粗糙对应关系，再结合单目深度图上的几何特征进行细化。在三个公共室内外基准上，该方法相比现有最先进方法平均提升20.6%的内点比率、三倍的内点数目和48.6%的配准召回率，显示扩散特征在跨模态配准中的实用价值。
软匹配的歧义性与软到硬匹配的改进
文章提到现有软匹配方法存在固有歧义性，难以自然处理异常值。为此，有工作提出学习部分排列匹配矩阵，并在配准管道中设计软到硬匹配程序，通过在原始矩阵中引入异常值来实现高效精确的配准。这一思路针对软匹配的局限性，为点云配准中的对应关系筛选提供了改进方向。
扩散流程向三维检测等任务延伸
除配准外，文章还介绍了DiffRef3D将扩散流程首次应用于使用点云的三维物体检测。该方法通过向提案与目标物体之间的残差逐步添加噪声，再迭代生成假设并精确预测边界框，从而在现有三维检测模型上持续改进性能。这表明扩散模型在点云相关任务中具有可扩展性，不局限于配准本身。
Q&A
DiffusionPCR在点云配准任务上的性能如何？
DiffusionPCR在3DMatch和3DLoMatch数据集上的注册率分别达到95.3%和81.6%，具有世界领先水平。
DiffusionPCR是如何解决点云配准问题的？
DiffusionPCR将点云配准视为从噪声变换到对象变换的去噪扩散过程，通过生成模型和统一概率表达来解决配准问题，并利用旋转矩阵变换和刚体变换辅助信息逐步提高准确性。
基于SE(3)扩散模型的点云配准框架有什么用途？
该框架用于现实场景下的6D物体姿态估计，将3D配准任务作为去噪扩散过程，逐步改进源点云姿态以与模型点云精准对齐。
DiffMatch框架解决了什么问题？
DiffMatch使用基于扩散的条件去噪模型显式建模数据项和先验项，以解决匹配模糊性问题，实验证明其优于现有技术。
如何利用扩散特征实现图像与点云之间的跨模态匹配？
通过预训练的大规模模型统一图像和点云模态，利用深度到图像扩散模型提取的中间特征（扩散特征）建立粗糙但稳健的跨模态对应关系，再在深度图上提取几何特征进行匹配以提高准确性。该方法平均提升20.6%的内点比率、三倍的内点数目和48.6%的配准召回率。
DiffRef3D是什么？它有什么特点？
DiffRef3D是一个新颖的框架，首次将扩散流程应用于使用点云的三维物体检测，通过向提案和目标物体之间的残差添加噪声并迭代精炼，持续改进现有三维物体检测模型的性能。
