Page 363 - 《软件学报》2025年第12期

5744 软件学报 2025 年第 36 卷第 12 期

( )
ˆ a ij = ReLU a −T i , j = 1,2,...,N (10)
′
i j
,
其中, ˆ A = (ˆa i j ) ϕ 1 (·) 和 ϕ 2 (·) 是两个独立的卷积层. 对于生成的全局图, 采用图卷积操作将全局上下文信息融合到
每个点的特征表示中:

N ∑
( ) ( )
ˆ
ˆ
¯ f i = ˆ a ij ·ζ g 1 (f j ) +ζ g 2 (f i ) (11)
j=1
˜
¯ 之后, 通过自适应加性融合得到最终的逐点特征 , 表示为:
ˆ 和全局特征
在获得每个点的局部特征 f i f i f i

˜ ˆ ¯ (12)
f i = β·f i +(1−β)·f i
其中, β 是可学习参数.
为了避免信息丢失和过平滑问题, 使用跳跃连接将前一层的输入特征与当前层的输入特征进行连接. 同时, 将
每一层的输出特征按通道拼接和非线性变换 ψ(·) 的方式进行整合, 得到最终提取到的源点云特征可以表示为:

( )
(1)
(2)
˜ F X = ψ ˜ F , ˜ F ,..., ˜ F (L) ∈ R N×D (13)
X X X
(l)
˜ (l)
˜ (l) ˜ (l)
其中, ˜ F = {f ,f ,...,f }, l = 1,2,...,L 是每一层局部-全局提取到的源点云特征. 同样, 每一层提取到的目标点云
X x 1 x 2 x N
( )
(l) ˜ (l) ˜ (l) ˜ (l) (1) (2) (L) M×D
的特征为 ˜ F = {f ,f ,...,f }, l = 1,2,...,L, 最终整合得到的特征为 ˜ F Y = ψ ˜ F , ˜ F ,..., ˜ F ∈ R .
Y y 1 y 2 y M Y Y Y
通过这种方式, 动态关注的全局图学习模块能够在关注局部细节的基础上兼顾全局上下文信息, 增强点云的
整体表达与点对之间的全局关联性, 从而有效提升点云配准的性能.
1.4 注意力驱动的互补融合模块
由于单一的特征提取无法充分确保两个点云之间的准确对齐, 尤其是在处理复杂结构或部分重叠的点云时,
特征交互变得尤为关键. 在之前的一些研究中, 注意力机制被广泛应用于特征匹配阶段, 通过促进点云之间信息的
深度交互来优化配准效果. 然而, 这些方法仅依赖于提取两个点云之间的相似信息, 忽视了差异信息的相互感知.
因此, 本文设计了一个注意力驱动的互补融合模块, 通过引入交叉注意力机制来自适应地挖掘与融合不同点云的
差异信息和相似信息, 并结合自注意力机制来进一步加强点云之间的特征交互. 该模块包括以下 4 个阶段, 以源点
云为例, 其详细架构如图 4 所示.

Q 交
叉 层 前
K −1 归 馈
注
V 意 一 网 Q 自 层 前
化
络
力 K
diff
˜ F X ˜ F X→Y ˜ F X diff 注 归 馈
意 一 网
V
Q 交 力 化 络
叉 层 前 ˜ F X ds H X
K 归 馈
注
V 意 一 网
力 化 络 sim
sim ˜ F X
˜ F Y
˜ F X→Y
图 4 注意力驱动的互补融合模块示意图

(1) 基于交叉注意力的相似信息提取. 针对源点云和目标点云, 首先利用交叉注意力机制计算两个点云之间的
˜ F sim :
相似性, 并提取其相似性信息
X→Y
( )( ) ⊤ 
˜
 ˜ F X W 1 F Y W 2   ( )

˜ F sim = Softmax    √    ˜ F Y W 3 (14)
X→Y    
 
d
其中, W 1 W 2 和 W 3 分别是特征映射的权重, d 表示特征的维度. 接着, 将相似信息与源点云的原始信息共同注入前
,
馈网络中, 以充分利用相似信息对原始特征进行增强. 该过程可以表示为: