论文信息

• 论文题目： DiffCorr: Conditional Diffusion Model with Reliable Pseudo-Label Guidance for
  Unsupervised Point Cloud Shape Correspondence
• 论文作者： Jiacheng Deng, Jiahao Lu, Zhixin Cheng, Wenfei Yang
• 发表会议： AAAI 2025

论文主要贡献

• 提出了一种新颖的条件扩散模型，为无监督点云形状对应提供了可靠的伪标签引导。
• 所提出的基于Transformer的条件扩散模型利用条件机制克服了大运动位移的瓶颈，并开发了一种可靠的伪标签生成器，无需人工标注即可有效筛选高质量的对应点对。
• 在SURREAL、SHREC、SMAL和TOSCA四个标准基准数据集上的大量实验结果表明，所提出的模型优于当前的最先进方法。

问题

• 现有方法在人和动物的大尺度运动场景中效果不佳。人和动物的大尺度运动会让对应点产生大幅位移，现有方法通过直接计算点嵌入之间的相似度得分来获取匹配结果，这种单步匹配难以精准匹配大位移的对应点。
• 点云本身稀疏、不规则，局部噪声多，进一步加剧匹配错误。
• 无监督条件下，没有真实标签来指引多步优化方向。

问题可视化：位移与误差的相关性。
图(a)展示了源点云和目标点云之间的逐点位移图（颜色越蓝表示位移越大），以及基线方法和DiffCorr方法预测的误差图（颜色越红表示误差越大）。表明DiffCorr方法解决了大位移匹配问题。

图(b)为散点图，呈现了点云中位移与误差之间的统计相关性。

论文创新点

• 采用从粗到细的对应预测方法来替代单步范式，借助多步优化逐步收敛至精准的对应点。
• 设计选择策略筛选高质量地标点作为多步优化方向的引导。
• 提出了一种用于无监督点云形状对应（DiffCorr）的具备可靠伪标签引导的条件扩散模型，该模型包含
  • 基于Transformer的条件扩散模型（T-CDM），采用DDIM框架，并以结构感知的点云Transformer作为骨干网络，可在初始对应位置的局部区域内实现多步去噪优化。其条件包含两个组成部分：局部代价与初始流。
  • 可靠伪标签生成器（RPLG），设计了一种高效的高质量对应点对选择策略，以识别在扩散模型中引导去噪方向的关键点。

方法

整体框架

输入：
S：源点云，作参考
T：目标点云，待匹配
点云编码器特征提取：
用点云编码器提取两个点云的特征，点云编码器采用Transformer架构，利用Transformer的输入不变性与点云分布的无序性之间的对齐关系，提取具有结构感知能力的点嵌入。

（a）Transformer Block：该模块以标准 Transformer 注意力机制为基础，通过 k-NN Mask 为注意力计算添加局部约束，让每个点仅与空间中最近的 k 个点交互，能够捕捉点云的局部几何结构，又能降低计算复杂度。
（b）Point Cloud Encoder：基于图（a）的 Transformer Block 堆叠而成，通过 4 层Transformer 模块，实现了从原始点云到高维结构感知特征的端到端提取。编码器权重共享，能保证源点云与目标点云的特征空间完全一致。
（c）Conditional Diffusion Model：Transformer 条件扩散模型（T-CDM）
通过 L 层堆叠的扩散块实现由粗到精的迭代去噪。
分别输入：
带噪匹配流：为初始粗匹配添加高斯噪声，让模型学习去噪能力；
条件信息：以初始匹配流 + 局部代价为方向，通过Scale & Shift机制注入网络，强制去噪方向贴合真实匹配，避免随机生成；
时间步：经Embed+MLP编码为高维特征向量，让模型感知当前去噪阶段。

复用带 k-NN 掩码的 Transformer Block，兼顾局部结构与全局建模；
FFN完成特征增强，通过残差连接保证训练稳定性；
**多层堆叠（×L）**实现多轮迭代，逐步将带噪粗匹配优化为高精度结果。

可靠伪标签生成器（RPLG）
在无监督场景下，自己生成高质量伪标签，监督扩散模型训练
用 最优传输（Sinkhorn） 解决一对多错配；
用循环一致性筛选双向匹配成立的高可信点对；
用相似度方差加权，弱化低置信度样本的影响

损失函数

去噪损失
让扩散模型 ${\mathcal{F}}_{\theta }$，把“带噪声的初始匹配”还原成“正确的伪标签匹配”，误差越小越好。

$\mathbb{E}[\cdot ]$ ：期望 ，对所有样本、所有时间步取平均；
${\hat{X}}_0$ ：Pseudo Flow（伪标签）
$X_t$ ：Noisy Flow 给初始匹配加了高斯噪声的输入；
$t$ ：时间步
$K$ ： Conditions，条件（初始流 + 局部代价） $Z\sim \mathcal{N}(0,I)$ ：高斯噪声，给匹配流加的噪声；
${\sigma }^2$： 噪声方差 | 归一化常数，让损失更稳定 |
$\Vert \cdot {\Vert }^2$：欧氏距离平方 | 衡量预测值与标准答案的差距

损失函数包括构造损失（让编码器提取能正确匹配的特征）和去噪损失。

实验分析

四个基准测试的主要结果。在误差容限为0.01的情况下，将本文方法与SURREAL、SHREC’19、SMAL和TOSCA基准测试上的最新研究成果进行了对比。准确率越高、误差越低，代表性能越好。

消融实验

不同设计的模型在TOSCA数据集上的评估结果。T-CDM指基于Transformer的条件扩散模型，LC代表局部代价，IF表示初始流，OT和CC分别表示可靠伪标签生成器中的最优传输和跨一致匹配策略。所有模块协同作用，共同实现了无监督点云匹配的 SOTA 精度

结论

本文提出一种具备可靠伪标签引导的条件扩散模型，用于无监督点云形状配准，具体而言，引入基于Transformer的条件扩散模型，以初始对应关系和局部结构信息为条件，通过去噪能力优化初始的粗略预测结果。可靠的伪标签生成器基于点云特征相似度筛选可靠的伪标签，用于训练条件扩散模型。在SHREC’19和TOSCA基准数据集上的大量实验证明了DiffCorr的优越性。在SURREAL和SMAL数据集上的跨数据集实验进一步展示了其出色的泛化能力。