Coarse-to-Fine Learning Frameworks for Non-Rigid 3D Point Cloud Registration under Large Deformations

Die nicht-starre Punktwolkenregistrierung ist eine entscheidende Aufgabe für die Ausrichtung von 3D-Daten, wenn Objekte aufgrund von Bewegung, Druck oder biologischen Prozessen Verformungen erfahren. Dies ist besonders wichtig in Bereichen mit hohem Risiko, wie beispielsweise der chirurgischen Navigation, wo anatomische Strukturen oft auf unvorhersehbare Weise gebogen, komprimiert oder gedehnt werden. Trotz jüngster Fortschritte haben aktuelle Methoden weiterhin Schwierigkeiten mit großen Verformungen, verrauschten oder unvollständigen Beobachtungen und der Generalisierung auf reale Szenarien. Darüber hinaus versäumen es viele Ansätze, sowohl lokales als auch globales räumliches Lernen zu integrieren oder Unsicherheiten in mehrdeutigen Bereichen zu berücksichtigen.

Diese Arbeit stellt ein mehrstufiges Framework für die nicht-starre Punktwolkenregistrierung vor, das drei zunehmend verfeinerte Lernmodelle umfasst. Zunächst codiert Robust-DefReg lokale geometrische Strukturen mithilfe von Graph-Faltungen, um verformungsbewusste Deskriptoren zu erstellen. Als Nächstes integriert DefTransNet globales Lernen durch eine hybride Transformer-Graph-Architektur, die Mehrdeutigkeiten durch Cross-Attention zwischen Quell- und Zielpunktwolken explizit auflöst. Schließlich führt Learning-to-Refine eine probabilistische iterative Verfeinerungsstrategie ein, die die Verformungsvorhersage mithilfe der KL-Divergenz über gelernte Merkmalsverteilungen reguliert und so Unsicherheiten in mehrdeutigen und nur teilweise beobachteten Bereichen berücksichtigt. Zusammen beantworten diese Modelle direkt die zentralen Forschungsfragen zu lokaler Repräsentation, globalem Kontext und Unsicherheitsmodellierung, die in dieser Dissertation gestellt werden.

Um ein reproduzierbares Benchmarking über verschiedene Verformungsgrade hinweg zu ermöglichen, wurden zwei Datensätze entwickelt: SynBench, ein synthetischer Datensatz mit kontrollierten und progressiv ansteigenden Verformungsgraden, und DeformedTissue, ein realer Datensatz, der auf simulierten anatomischen Gewebeverformungen basiert. Zusätzlich wurden alle Methoden anhand von zwei weit verbreiteten öffentlichen Benchmarks, ModelNet40 und 4DMatch, evaluate, um die Generalisierbarkeit über verschiedene Domänen hinweg zu validieren. Die experimentellen Ergebnisse zeigen eine deutliche Leistungssteigerung. DefTransNet übertrifft den aktuellen Stand der Technik durch hohe Genauigkeit und Stabilität unter starken Verformungen, während Learning-to-Refine eine probabilistische Verfeinerung einführt, die die Konvergenz und Konsistenz weiter verbessert. Die Bewertung anhand synthetischer, realer und öffentlicher Datensätze bestätigt die Verallgemeinerbarkeit des Frameworks. Insbesondere zeigen die Verformungs-Robustheits-Diagramme, dass die Leistung unserer vorgeschlagenen Methoden auch unter extremen Verformungsgraden stabil bleibt, was darauf hindeutet, dass im Rahmen dieser Studie die zentrale Herausforderung effektiv gelöst wurde.