Dans cet article, nous présentons une méthode efficace et robuste de correspondance de nuages de points (PCR), appelée SC²-PCR, fondée sur une mesure de compatibilité spatiale du second ordre (SC²). Tout d’abord, nous proposons une mesure de compatibilité spatiale du second ordre (SC²) pour évaluer la similarité entre les correspondances. Contrairement aux approches basées sur la cohérence locale, cette mesure prend en compte la compatibilité globale, permettant une séparation plus nette entre les points inliers et les outliers dès les premières étapes. À partir de cette mesure, notre pipeline de registration utilise une technique spectrale globale afin d’extraire des graines fiables parmi les correspondances initiales. Ensuite, nous concevons une stratégie en deux étapes pour étendre chaque graine en un ensemble de consensus basé sur la matrice de mesure SC². Enfin, chaque ensemble de consensus est introduit dans un algorithme de décomposition en valeurs singulières pondérée (SVD) afin de générer une transformation rigide candidate, parmi lesquelles la meilleure est sélectionnée comme résultat final. Notre méthode garantit la découverte d’un certain nombre d’ensembles de consensus exempts d’outliers avec un nombre réduit d’échantillonnages, rendant ainsi l’estimation du modèle plus efficace et plus robuste. En outre, la mesure SC² proposée est générale et peut être facilement intégrée dans des architectures basées sur l’apprentissage profond. Des expériences étendues ont été menées afin d’évaluer la performance de notre méthode.