基于AFAM机制的鲁棒点云配准方法

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