点云配准中先归一化再逆归一化的有效性与几何保真性问询
研究计划
- 对两个点云进行归一化处理（中心化并缩放至单位范数）；
- 拟合多元高斯分布，计算拟合于两个点云的高斯混合模型（GMM）之间的Kullback-Leibler（KL）散度以衡量差异；
- 固定其中一个点云，对另一个点云执行旋转、缩放和平移变换，最小化KL散度；
- 找到使KL散度最小的最优变换参数后，应用逆归一化将变换后的点云恢复至原始尺度与位置。
核心疑问
- 为简化计算、提升配准收敛性，先对点云进行归一化，找到最优变换后再执行逆归一化，这种方法是否有效？
- 若在归一化后正确调整尺度与平移因子，归一化再逆变换的操作能否保留点云的整体几何形状？
- 原尺度下形状相同但大小不同的点云，归一化后形态一致，该方法的合理性如何？
专业解答与论证
1. 归一化-逆归一化流程的有效性
该方法完全有效，且是点云配准领域常用的预处理策略，核心逻辑是：配准的本质是寻找相似变换使两点云几何对齐，而归一化仅消除全局平移和尺度差异，不会破坏点云的相对几何关系。
数学推导验证
设原始点云为$P = {p_i}, Q = {q_j}$，归一化步骤拆解为：
- 中心化：计算均值$\mu_P = \frac{1}{N}\sum_{i=1}^N p_i$，$\mu_Q = \frac{1}{M}\sum_{j=1}^M q_j$，得到中心化点云$P_c = {p_i - \mu_P}$，$Q_c = {q_j - \mu_Q}$；
- 单位范数缩放：计算尺度因子$s_P = \frac{1}{\sqrt{\frac{1}{N}\sum_{i=1}^N ||p_i - \mu_P||^2}}$，$s_Q = \frac{1}{\sqrt{\frac{1}{M}\sum_{j=1}^M ||q_j - \mu_Q||^2}}$，归一化点云$P_n = s_P \cdot P_c$，$Q_n = s_Q \cdot Q_c$。
在归一化空间中找到最优相似变换$T_n(R, s, t)$（$R$为旋转矩阵，$s$为尺度因子，$t$为平移向量），使$KL(GMM(P_n), GMM(T_n(Q_n)))$最小。将变换后的$Q_n' = T_n(Q_n)$逆归一化回原始空间：
$$Q' = \frac{1}{s_Q} \cdot Q_n' + \mu_Q$$
结合$P$的归一化参数，可推导出原始空间的最终变换：
$$Q' = \frac{s_P}{s_Q \cdot s} \cdot R(Q - \mu_Q) + \left( \frac{s_P}{s_Q}t + \mu_P \right)$$
该推导证明：归一化空间的最优变换可完整映射回原始空间，不会丢失配准所需的关键信息。同时，归一化将点云约束在单位球内，避免了原始点云尺度差异过大导致的优化器数值不稳定，大幅提升收敛速度与精度。
2. 逆变换对几何形状的保留性
只要正确跟踪并应用归一化时的平移、尺度因子，逆变换完全保留点云的整体几何形状。
数学推导验证
归一化是线性变换的组合：$P_n = s_P(P - \mu_P)$，其逆变换为$P = \frac{1}{s_P}P_n + \mu_P$。线性变换的逆变换仍为线性变换，而线性变换不会改变点云的相对几何属性（如角度、比例、拓扑结构）。
取原始点云中任意两点$p_1, p_2 \in P$，归一化后为$p_{1n} = s_P(p_1 - \mu_P)$，$p_{2n} = s_P(p_2 - \mu_P)$，两点间距离：
$$||p_{1n} - p_{2n}|| = s_P \cdot ||p_1 - p_2||$$
逆变换后两点距离：
$$||\frac{1}{s_P}p_{1n} + \mu_P - (\frac{1}{s_P}p_{2n} + \mu_P)|| = \frac{1}{s_P} \cdot ||p_{1n} - p_{2n}|| = ||p_1 - p_2||$$
原始距离被精确恢复。同理，点云的角度、相对位置等几何属性均会被完整保留。
3. 形状相同尺度不同点云的归一化合理性
这种现象恰好证明了归一化策略的合理性，因为相似变换下的点云配准，本质就是要消除尺度、旋转、平移的差异，归一化提前统一了尺度和全局平移，让优化过程仅需关注旋转和相对尺度，大幅简化了问题。
数学推导验证
设点云$Q$是$P$的相似变换结果：$Q = s_0 R_0 (P - \mu_P) + \mu_Q$，其中$s_0$为尺度因子，$R_0$为旋转矩阵，$\mu_Q$为平移向量。
对$Q$归一化：
- 中心化后：$Q_c = Q - \mu_Q = s_0 R_0 (P - \mu_P)$；
- 尺度因子计算：由于$R_0$是正交矩阵（$||R_0 x|| = ||x||$），且假设两点云数量相等（$M=N$），则：
$$s_Q = \frac{1}{\sqrt{\frac{1}{M}\sum ||Q_c||^2}} = \frac{1}{s_0 \cdot \sqrt{\frac{1}{N}\sum ||P - \mu_P||^2}} = \frac{s_P}{s_0}$$ - 最终归一化点云：$Q_n = s_Q Q_c = \frac{s_P}{s_0} \cdot s_0 R_0 (P - \mu_P) = R_0 P_n$。
可见，归一化后的$Q_n$是$P_n$的旋转变换，此时优化KL散度仅需找到旋转矩阵$R=R_0$即可，尺度差异已被归一化完全消除，极大降低了优化问题的复杂度。
内容的提问来源于stack exchange，提问作者Andyale
