Page 362 - 《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 5743

ˆ :
现依赖邻接矩阵的边特征聚合和独立的边特征自更新, 得到增强的代理点特征表示 f ik

K ∑
ˆ f ik = A i (k,k )·ζ g 1 (φ(f ′ −f i )) +ζ g 2 (φ(f −f i )) ) (5)
(
(
)
′
′
′
ik
ik
k ′ =1
其中, g 1 和 g 2 分别表示两个独立的全连接层, ζ(·) 是 ReLU 激活函数. 最后, 通过相关性系数自适应地聚合代理点
f . 为了防止信息丢失, 使用残差连接与中心点原始特征相加, 从而得到最终的局部特征
′
特征来重建中心点的特征
i
ˆ . 该过程可以表示为:
描述符 f i

K ∑
ˆ
′
f = a ik ·f ik (6)
i
k=1

ˆ
f i = φ(f i )+f ′ (7)
i
其中, φ(·) 是一个带有非线性激活函数的多层感知器.
总体而言, 动态偏移的局部图学习模块通过基于距离的动态偏移机制来构造具有几何特性和语义信息的代理
点, 从特征空间的潜在图结构中挖掘丰富的局部信息, 显著增强了特征表示的判别性.
1.3 动态关注的全局图学习模块
在特征提取的过程中, 动态偏移的局部图学习模块主要聚焦于局部邻域的特征表示, 实现了对局部细节的精
准捕捉. 与已有的一些方法类似, 这种方式通常缺乏全局视角, 忽略了点云中远距离点之间的长程依赖关系. 因此,
本文提出了动态关注的全局图学习模块, 自适应地选择学习全局上下文信息, 增强特征的表达能力. 图 3 展示了动
态关注的全局图学习模块的具体架构.

动
ˆ ˉ
f i 边 态 图 f i
生 关 卷
成 注 积
器 机 层
制
全局图
卷积层
卷积层 复制
F ˆ A ˆ
T
平均池化 ReLU
A′
图 3 动态关注的全局图学习模块示意图

将每个点云中的所有点构造为一个加权全局图, 图中的每个节点表示点云中的每个点, 每条边的权重表示两
个点之间的相关性. 具体而言, 为了更加全面捕捉点与点之间的相关性, 综合考虑逐点的初始坐标和局部特征来构

′
′
造全局邻接矩阵 A = (a ) ∈ R N×N :
ij

2
 

2

ˆ


  α·
x i −x j
+(1−α)·
ˆ f i −f j

  
′     

a = Softmaxexp− σ  (8)
ij






其中, σ 是高斯核参数, α 是一个可学习参数. 之后, 引入特征学习到的阈值自适应地对邻接矩阵中的低相关性连
接进行筛选和去除, 使其更加聚焦于重要的特征. 具体过程如下:

( )
N
ˆ ∑
ϕ 1 f i ( )
′
T i = a +ϕ 2 f i ˆ (9)
N i j
j=1