融合Transformer的特征交互网络在部分点云配准中的应用

摘要

针对实际场景中常见的点云遮挡、视角变化及部分重叠问题，现有方法普遍依赖于重叠区域的精确提取，导致配准效果高度依赖于重叠估计的准确性。为此，提出了一种融合Transformer机制的特征交互网络TFFNet,专门用于解决部分点云配准问题。该方法采用双分支特征提取结构，并在编码阶段引入多层次特征交互机制，有效增强了点云间的信息融合能力。此外，TFFNet设计了结合自注意力和交叉注意力机制的数据关联模块，避免了对重叠区域的显式估计，显著提升了模型在复杂场景中的适应性与鲁棒性。基于ModelNet40数据集的实验结果表明，TFFNet在配准精度和鲁棒性方面，相较于OMNet方法，在RMSE(t)、MAE(t)和Error(R) 3项指标上分别降低了35.3%、29.5%和20.9%,表现出较强的鲁棒性与稳定性。

关键词

三维激光雷达 / 点云配准 / 注意力机制 / 特征交互