Edge feature enhancement and hierarchical attention fusion for low-overlap point cloud registration
Jun You Yang, Sun Hongwei · Journal of Image and Graphics · 2024
目的针对目前基于深度学习的低重叠度点云配准方法在学习全局点云场景后进行特征匹配时，忽略局部特征间作用的问题，提出了一种结合边缘特征增强的层次注意力点云配准方法。方法首先，利用边缘自适应核点卷积（edge adaptive kernel point convolution， EAKPConv）模块提取源点云、目标点云特征，增强边缘特征识别能力。然后，利用局部空间差异注意模块（local spatial contrast attention module， LSCAM）聚合局部空间差异捕捉点云的几何细节，利用序列相似度关联模块（sequential similarity association module， SSAM）计算量化两点云间的相似分数，并利用相似分数引导局部匹配。最后，通过LSCAM模块与SSAM模块结合的层次化注意力融合模块（hierarchical attention fusion module， HAFM）整合局部、全局特征，实现全局匹配。结果在室内场景点云配准数据集3DMatch和三维模型数据集ModelNet-40上进行了对比实验，本算法在3DMatch和3DLoMatch上的配准召回率分别达到93.2%和67.3%；在ModelNet-40和ModelLoNet-40上取得了最低的旋转误差（分别为1.417和3.141）以及平移误差（分别为0.013 91和0.072）。此外，本文算法在推理效率上比REGTR算法减少了10 ms左右。结论本文算法通过自底向上的层次化处理方式显著提升了有限重叠场景点云的配准精度，同时降低了推理时间。