遠距離の屋外LiDAR点群の登録は、協調型自動運転車両の3D視覚を拡張する上で極めて重要であるが、重複領域が小さく、観測される点群密度に大きな差が生じるため、実現が困難である。本論文では、密度に依存しない幾何特徴を抽出するための「グループ単位の対比学習（Group-wise Contrastive Learning, GCL）」手法を提案する。理論的分析および実験を通じて、対比学習の正例（contrastive positives）が独立同一分布（i.i.d.）に従う必要があることを示した。この結論に基づき、同一空間位置に存在する複数の点群（「正例グループ」と呼ぶ）の特徴が類似するよう強制する、簡潔かつ効果的な学習スキームを提案した。これにより、点群ペアによるサンプリングバイアスが回避され、自然にi.i.d.の原則に適合する。得られた完全畳み込み型特徴抽出器は、最先端手法と比較してより強力かつ密度に依存しない特性を有し、KITTIおよびnuScenesベンチマークにおいて遠距離シナリオの登録リコールをそれぞれ40.9%、26.9%向上させた。コードは https://github.com/liuQuan98/GCL にて公開されている。