Page 360 - 《软件学报》2025年第12期

邱巧燕 等: 局部-全局动态图学习与互补融合的点云配准方法 5741

息对于匹配过程至关重要, 但差异信息同样不容忽视, 因为它能够揭示两个点云在位姿、形状或细节方面的独
特性.
针对上述问题, 本文提出了局部-全局动态图学习与互补融合网络 (local-global dynamic graph learning and
complementary fusion network, LGCNet), 旨在更高效地应对点云配准任务. 该方法致力于在特征提取阶段生成具
有局部和全局视野的高判别性的特征描述符, 以便在后续的匹配阶段可以融合两个点云之间的相似信息与差异信
息来提高点云配准的准确性. 具体而言, 在动态偏移的局部图学习模块中, 根据动态偏移机制在每个点的局部邻域
中生成富含几何特征和语义信息的代理点, 并基于代理点之间的图结构通过图卷积操作来实现局部特征的增强表
达. 在动态关注的全局图学习模块中, 综合考虑特征空间和几何距离来构建全局图的邻接矩阵, 再结合动态关注机
制自适应地调整各点之间的关联权重, 从而实现信息的长程依赖并抑制低相关点的影响. 为了进一步提升两个点
云在匹配过程中的交互, 设计了一个注意力驱动的互补融合模块, 其新颖之处在于能够采用交叉注意力机制从差
异性和相似性两个角度来关注点云之间的相互作用, 同时引入自注意力机制来加强互补融合后的特征在全局范围
内的一致性. 本文的主要贡献如下.
● 提出了一种基于局部-全局动态图学习与互补融合的点云配准方法, 有效提升了点云配准的性能.
● 设计了动态偏移的局部图学习模块, 通过动态偏移机制生成代理点并构建局部图, 实现了更加精细的局部
特征表示.
● 设计了动态关注的全局图学习模块, 利用动态关注机制自适应地优化全局图结构, 获得了更具判别性的
特征.
● 构建了注意力驱动的互补融合模块, 根据交叉注意力机制从相似性和差异性两个方面挖掘点云之间的交互,
进一步增强了对应关系的准确性.
本文第 1 节详细介绍所提出的局部-全局动态图学习与互补融合网络 (LGCNet). 第 2 节通过实验验证 LGCNet
的有效性. 第 3 节总结全文, 并展望未来研究方向.

1 局部-全局动态图学习与互补融合网络

1.1 网络的整体框架
本文设计了一个面向点云配准的局部-全局动态图学习与互补融合网络 (LGCNet), 整体框架如后文图 1 所示.

对于输入的源点云 X ∈ R N×3 和目标点云 Y ∈ R M×3 , 其中, N 和 M 分别表示点云中的点数量, 配准的目的在于找到使
{R,t}. 通常, 基于端到端学习的配准流程包括特征提取、特征匹配和变换估计等阶段 [38] .
两个点云对齐的变换参数
具体而言, 在特征提取阶段, 本文提出了一种层次化的特征提取架构, 通过堆叠动态偏移的局部图学习模块和动态
关注的全局图学习模块, 实现了局部与全局特征的协同增强. 其中, 动态偏移的局部图学习模块有效保证了对局部
细节的精准描述; 动态关注的全局图学习模块则能够捕捉点云中的长程依赖关系, 强化全局特征的建模. 在特征匹
配阶段, 注意力驱动的互补融合模块引入交叉注意力机制和自注意力机制, 促进了两个点云之间信息的有效交互
与增强. 最后, 计算两个点云之间的对应矩阵, 并利用奇异值分解 (SVD) 算法求解最终的变换矩阵, 从而完成点云
配准任务.
1.2 动态偏移的局部图学习模块
针对点云配准任务, 局部特征的有效提取对于获得正确的初始对应关系至关重要. 点云的坐标包含了丰富的
空间结构信息, 但现有的方法大多将预定义的几何信息与语义特征进行简单的加权聚合, 忽略了几何坐标对语义
特征的潜在影响. 特别是在局部结构复杂的情况下, 生成的特征表示往往无法有效适应空间结构, 缺乏对局部几何
的精准感知能力. 此外, 特征空间的高阶关系能够揭示点与点之间的深层次联系, 但一些方法无法充分挖掘这些潜
在的关联, 导致图结构的构建过于依赖几何邻近性, 从而限制了特征的表示能力. 为此, 本文提出了一个动态偏移
的局部图学习模块, 通过构造代理点来引导图结构朝着更加适应几何特性和特征分布的方向发展, 从而获得更加
判别性的局部表示. 图 2 展示了动态偏移的局部图学习模块的详细过程.