基于AFAM机制的鲁棒点云配准方法

林俊亭, 陈宇, 邹吉平

湖南大学学报(自然科学版) ›› 2026, Vol. 53 ›› Issue (04) : 52 -61.

PDF
湖南大学学报(自然科学版) ›› 2026, Vol. 53 ›› Issue (04) : 52 -61. DOI: 10.16339/j.cnki.hdxbzkb.2026266

基于AFAM机制的鲁棒点云配准方法

    林俊亭, 陈宇, 邹吉平
作者信息 +

Author information +
文章历史 +
PDF

摘要

针对点云配准现有方法在处理含噪声点云时鲁棒性不足、特征表达不准确以及对初始对齐敏感等问题,提出了一种新型点云配准网络结构(robust point matching with adaptive feature aggregation module network, RPM-AFAMNet),该网络是在RPM-Net网络上集成自适应特征聚合模块(adaptive feature aggregation module, AFAM)构建而成的.其中,AFAM由批次注意力机制(batch attention mechanism transformer, BatchFormer)和动态重聚合特征表示模块(dynamic re-aggregated feature representation, DRFR)组成,在优化点云特征表达的同时,增强了网络的鲁棒性. BatchFormer通过对点云特征进行批量加权学习,从而缓解噪声点的干扰;DRFR模块则通过动态特征重组策略,增强了对点云空间关系的理解,进一步提升了点云配准的精度.最后,在ModelNet40数据集上对网络进行实验,与RPM-Net相比,旋转均方误差降低32.05%,旋转平均绝对误差降低75.86%,平移均方误差降低33.33%,平移平均绝对误差降低77.78%,旋转角度误差降低33.03%,平移距离误差降低36.36%.实验结果表明,该方法能够有效提升含噪声点云的配准性能.

关键词

三维点云配准 / 深度学习 / 空间对齐 / 特征重聚合 / 噪声过滤

Key words

引用本文

引用格式 ▾
林俊亭, 陈宇, 邹吉平. 基于AFAM机制的鲁棒点云配准方法[J]. 湖南大学学报(自然科学版), 2026, 53(04): 52-61 DOI:10.16339/j.cnki.hdxbzkb.2026266

登录浏览全文

4963

注册一个新账户 忘记密码

参考文献

AI Summary AI Mindmap
PDF

0

访问

0

被引

详细

导航
相关文章

AI思维导图

/