Register Anything Model：面向通用且魯棒點雲配準的統一模型

arXiv 於 2026 年 10 月 20 日（週二）18:40:50 UTC 收到題為《Register Anything Model for Generalizable and Robust Point Cloud Registration》（面向可泛化且魯棒的點雲配準的“配準一切模型”）的論文投稿，編號 arXiv:2610.28821v1，屬計算機視覺與模式識別（cs.CV）分類，由 Zheng Qin 與另外 7 位作者共同完成，全文原始檔約 10,590 KB。論文提出 Register Anything Model（RAM），一個統一的 3D 點雲配準模型，可在跨越不同感測器與不同環境的多樣域中穩健估計 6 自由度（6-DoF）變換。作者指出，現有的配準方法通常針對單一域量身定製，其網路結構與超引數經過精細調校，因此一旦遷移到新的域，效能便明顯下降。為彌補這一缺口，研究團隊用來自室內、室外與物體三大域的資料訓練了單一模型。作者強調，核心挑戰在於不同域之間存在嚴重的幾何差異，即場景尺度、感測器噪聲、點密度與結構模式上的差別，這阻礙了用統一的基於點的模型來處理全部資料。為此，他們引入一種幾何感知的歸一化策略：根據點雲自身的幾何屬性自適應地聯合體素化與歸一化，把點雲對映到標準化的幾何空間，在統一解析度的同時保留顯著的區域性結構。在此歸一化基礎上，RAM 採用分層由粗到精（coarse-to-fine）的正規化，並使用高效的幾何 Transformer，只建模區域性幾何一致性而非在全部點上做全域性建模。作者表示，這一設計既緩解了體素化帶來的離散化噪聲，也提升了計算效率。在 12 個基準上的大量實驗顯示，該方法在內點率（inlier ratio）與配準召回率（registration recall）兩項指標上均達到當前最優水平。尤其值得注意的是，該方法優於在各單獨域上分別訓練的對照模型，展現出更強的泛化能力。論文已被 NeurIPS 2026 接收，程式碼與模型已公開（論文中給出的連結）。引用格式為 arXiv:2610.28821 [cs.CV]，DOI 為 https://doi.org/10.48550/arXiv.2610.28821，由 DataCite 發放（待註冊）。arXiv 頁面還提供 PDF、實驗性 HTML、TeX 原始碼與許可資訊，以及音訊摘要、參考文獻與引用工具、程式碼查詢與相關論文推薦等附加功能；arXivLabs 相關內容亦在頁面中列出。