Mamba-SoftBBS:改进DCP的点云配准方法

任伟建; 张紫汉; 康朝海; 霍凤财; 孙勤江; 陈建玲

doi:10.19292/j.cnki.jdxxp.2026.03.015

吉林大学学报(信息科学版) ›› 2026, Vol. 44 ›› Issue (3) : 663 -669. DOI: 10.19292/j.cnki.jdxxp.2026.03.015

Mamba-SoftBBS:改进DCP的点云配准方法

任伟建, 张紫汉, 康朝海, 霍凤财, 孙勤江, 陈建玲

作者信息 +

Author information +

文章历史 +

摘要

针对DCP(Deep Closest Point)点云配准算法细粒特征提取能力差、计算效率低和特征误匹配问题，提出了一种基于Mamba和Soft BBS(Soft Best Buddies Similarity)的深度学习点云配准网络。首先，通过DGCNN(Dynamic Graph Convolutional Neural Network)和Mamba网络，从原始点云数据中提取高维特征，提升局部特征提取能力和计算效率;然后，利用Soft BBS求取最优点对相似性矩阵，降低低可靠性匹配点对配准结果的影响，从而提高配准的鲁棒性;最后，通过LS(Least Squares Method)计算得到最优的刚性位姿变换，提升配准的精度。实验结果表明，相较于DCP，该配准算法精度提升65.1%，并在鲁棒性方面优于近期流行的深度学习配准网络。