Register Anything Model：面向通用且鲁棒点云配准的统一模型

arXiv 于 2026 年 10 月 20 日（周二）18:40:50 UTC 收到题为《Register Anything Model for Generalizable and Robust Point Cloud Registration》（面向可泛化且鲁棒的点云配准的“配准一切模型”）的论文投稿，编号 arXiv:2610.28821v1，属计算机视觉与模式识别（cs.CV）分类，由 Zheng Qin 与另外 7 位作者共同完成，全文源文件约 10,590 KB。论文提出 Register Anything Model（RAM），一个统一的 3D 点云配准模型，可在跨越不同传感器与不同环境的多样域中稳健估计 6 自由度（6-DoF）变换。作者指出，现有的配准方法通常针对单一域量身定制，其网络结构与超参数经过精细调校，因此一旦迁移到新的域，性能便明显下降。为弥补这一缺口，研究团队用来自室内、室外与物体三大域的数据训练了单一模型。作者强调，核心挑战在于不同域之间存在严重的几何差异，即场景尺度、传感器噪声、点密度与结构模式上的差别，这阻碍了用统一的基于点的模型来处理全部数据。为此，他们引入一种几何感知的归一化策略：根据点云自身的几何属性自适应地联合体素化与归一化，把点云映射到标准化的几何空间，在统一分辨率的同时保留显著的局部结构。在此归一化基础上，RAM 采用分层由粗到精（coarse-to-fine）的范式，并使用高效的几何 Transformer，只建模局部几何一致性而非在全部点上做全局建模。作者表示，这一设计既缓解了体素化带来的离散化噪声，也提升了计算效率。在 12 个基准上的大量实验显示，该方法在内点率（inlier ratio）与配准召回率（registration recall）两项指标上均达到当前最优水平。尤其值得注意的是，该方法优于在各单独域上分别训练的对照模型，展现出更强的泛化能力。论文已被 NeurIPS 2026 接收，代码与模型已公开（论文中给出的链接）。引用格式为 arXiv:2610.28821 [cs.CV]，DOI 为 https://doi.org/10.48550/arXiv.2610.28821，由 DataCite 发放（待注册）。arXiv 页面还提供 PDF、实验性 HTML、TeX 源码与许可信息，以及音频摘要、参考文献与引用工具、代码查找与相关论文推荐等附加功能；arXivLabs 相关内容亦在页面中列出。