GCL学术成果：CVPR 2026-DualReg：双空间联合优化，实现高效精准的全局点云配准

3月 21, 2026 1 分钟阅读时长

近日，CVPR 2026接收成果出炉，中国科学技术大学数学科学学院GCL实验室张举勇研究团队提出全新点云刚性配准方法——DualReg，通过设计特征空间与局部几何空间的双空间联合优化框架，成功将CPU端的点云全局配准速度提升一个数量级以上，并刷新了多项精度记录（如图1所示），为实时SLAM、自动驾驶、三维重建等三维视觉应用场景提供了新的解决思路。

图1：DualReg在精度与速度上的性能表现。

一、点云刚性配准困局：全局精准对齐与效率难以“共存

点云刚性配准的核心在于求解最优的刚性变换（包括旋转变换与平移变换）、实现源点云与目标点云的精准对齐（如图2所示）。通过连续帧配准实现实时位姿估计与环境建图，或通过模型与场景的配准完成物体识别与6D位姿估计，为智能体提供空间状态感知基础，是连接数字世界与物理交互的桥梁，广泛应用于SLAM、自动驾驶、AR/VR空间定位以及机器人导航等任务。

图2：点云刚性配准示例。

然而，真实场景中的点云数据往往面临多重挑战：噪声干扰、密度不均、部分重叠（尤其是10%-30%的低重叠率场景）、点云之间变换差异大等。与此同时，自动驾驶、实时SLAM等应用对CPU端的实时性、配准精度和环境鲁棒性提出了严苛的要求。现有点云刚性配准方法主要分为两类，各有缺陷：

1. 基于特征匹配的全局配准方法：这类方法通过构建旋转不变的特征描述子建立对应点，能够处理大尺度的空间变换，然而，受到点云噪声、部分缺失以及局部相似性等影响，初始的全局对应关系通常包含大量的错误点对。近年来，MAC等方法提出了基于最大团的对应点过滤方法，但其计算开销大，效率低；基于RANSAC的方法采样复杂度高，改进的方法又降低了准确性；而深度学习的方法依赖于大规模标注数据且泛化性受限。

2. 基于空间几何的局部配准方法： 这类方法在局部最近点算法的范式下进行改进，通过迭代的搜索最近点作为对应点和估计刚性变换，实现细粒度的局部对齐，尽管达到了局部精细化的匹配且运行速度快，但由于严重依赖良好的初始变换，在大变换差异的场景下容易收敛到局部最优，导致配准失败。

二、构建双空间联合优化框架

针对现有刚性配准方法难以兼顾大变换差异的鲁棒性、局部配准的准确性与算法的高效性的问题，该团队提出DualReg，一种特征空间与局部几何空间双空间的联合优化配准框架，其核心创新在于融合特征空间与几何空间的互补优势：

1. 特征空间： 利用FPFH, FCGF等旋转不变的特征描述子建立全局对应点，并提出基于RANSAC算法的高效精准过滤器，得到大变换鲁棒的可靠全局对应；

2. 局部几何空间：利用这些全局可靠对应点，构造局部几何代理点集，引入局部精细化几何约束提高匹配的准确性。

通过在统一优化框架中联合求解两类对应关系，实现从粗糙到精细的对齐。此外，框架中设计了高效的渐进式对应点过滤机制，快速剔除特征匹配中的错误对应，进一步提升整体效率。大量实验表明，DualReg在配准精度与计算速度上均展现出显著的综合优势。

三、核心技术解析：渐进式高效过滤及双空间优化

图3：DualReg的运行流程：从高效过滤到双空间联合优化。

为提高配准精度与速度，该工作将整个算法流程解耦为以下三个核心步骤：

● Step1：高效过滤，去伪存真。 面对初始匹配中高达90%以上的错误点对，DualReg引入了渐进式过滤机制。首先，它设计了一种单点RANSAC算法，利用长度一致性、法线一致性、对称性过滤等几何约束，快速筛掉大量明显的错误对应关系。随后引入基于概率加权采样的三点RANSAC细化模块，对剩余候选点进行精细化筛选，最终构造出一个高置信度的“锚点”集合。

● Step2：构建代理，化繁为简。 以这些高置信度的“锚点”为种子，DualReg在源点云和目标点云的局部邻域内分别提取邻域点集，构建出“几何代理点集”。由于锚点本身已足够可靠，其邻域天然具有比原始点云更高的重叠率，为引入精细的局部几何约束创造了理想条件。

● Step3：双空间协同优化，全局局部双保险。 该工作设计了一个新颖的双空间优化目标函数：它既保留了锚点对应的“特征空间约束”，确保对大范围变换的鲁棒性；又引入了几何代理点集之间的“最近邻对应约束”，通过局部几何信息实现更精准的对齐。这两项约束在一个统一的迭代优化框架内被联合求解，交替执行最近邻搜索和刚性变换估计，直至收敛。这种协同机制，使得DualReg即使在变换差异大、低重叠率、强噪声的极端场景下，依然能精准而稳健地完成配准。

四、结果展示

DualReg的性能在三个主流真实数据集（室内3DMatch/ 3DLoMatch、室外KITTI数据集）上得到了充分验证，并与当前最先进的方法（包括MAC、MAC++、TurboReg、PointDSC等）进行了全面对比。

如图4所示，在极具挑战的室内场景中，当其他先进方法出现明显错位或失败时，DualReg依然能实现精准、鲁棒的点云对齐。

图4：在3DMatch数据集上的定性比较结果：上两行基于FPFH特征，下两行基于FCGF特征，展示了DualReg与其他方法的配准效果。

● 精度实现领跑：在所有数据集上，DualReg在保持高配准率的同时，取得了最优的配准精度（如表1所示）；

● 速度显著提升： 以KITTI数据集为例，与精度略低的MAC方法相比，DualReg实现了高达32倍的加速，为实时性要求严苛的SLAM和自动驾驶应用提供了新的解决方案。

表1：DualReg在多个数据集上与SOTA方法的定量对比。

总结与展望

DualReg从三个维度实现技术创新：特征空间的高效离群点剔除、几何空间的代理点集构建、双空间联合优化的变换估计。该工作结合特征空间对应点与局部几何空间对应点的优势，实现了高效与精准的全局点云刚性配准。

尽管DualReg目前聚焦于刚性配准，但其“双空间协同”与高效过滤算法的思想可以推广至非刚性场景，基于团队在非刚性配准领域的深厚积累（如SPARE等工作），未来将实现从刚性到非刚性的统一配准框架。

论文发表

该工作已被计算机视觉顶级会议CVPR 2026录用。CVPR是计算机视觉与模式识别领域的顶级国际会议（CCF-A类），2026年录用率约为25.42%。

论文原文

论文标题：DualReg: Dual-Space Filtering and Reinforcement for Rigid Registration

作者： 李嘉怡1，要宇馨2，鲁秋航3，张举勇1

单位：中国科学技术大学1，香港城市大学2，中国科学院大学3

项目主页：

https://ustc3dv.github.io/DualReg/