计算机辅助设计与图形学学报

作者：陈睿星, 吴军, 赵雪梅, 徐刚, 罗瀛, 王海舰

关键词：点云配准, 卷积神经网络, Copula去噪, 自注意力机制

针对点云实际获取存在噪声干扰, 密度差异及遮挡等问题, 为了提高复杂场景, 非理想样本条件下的点云配准精度, 提出一种结合 Copula 去噪模块的双向注意力点云配准网络 RPMNet++. 首先构建 Copula 去噪模块, 以邻域数据点具有相似特征这一假设为基础, 通过卷积神经网络提取点云特征, 计算肯德尔相关系数 τ 和 Clayton Copula分布函数, 并保留正相关的内点, 滤除负相关的噪声点, 缓解噪声干扰导致的特征偏差, 参数估计误差和对应点关系误判等问题; 然后在双向注意力机制下尽显局部特征学习, 将双向注意力明确分为采样点到邻域点注意力和邻域点到中心点注意力 2 部分, 综合两者并结合邻域特征编码增强对采样点特征及其邻域空间相关性的学习, 以利于从去噪后稀疏的、 局部结构不完善的点云中有效地提取数据特征, 在保证邻域相关性特征完整的同时, 提高网络对点云数据局部细粒度特征的学习能力. 点云配准实验结果表明, 在 ModelNet40 数据集上, 与 RPM-Net 相比, RPMNet++对各向同性平均旋转误差和平移误差的提升效果显著, 分别在无噪声数据集, 噪声数据集和部分可见的噪声数据集上下降(0.026, 0.001), (0.267 0, 0.001 9)和(0.560, 0.007); 在斯坦福 3D 数据集上, 与 7 种跨源配准算法相比, RPMNet++均能达到最优, 并具有良好的泛化性能与应用价值.

来源：2025年第6期

《计算机辅助设计与图形学学报》期刊编辑部

查看计算机辅助设计与图形学学报杂志2025年第6期