Page 368 - 《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 5749

表 5 部分点云在未知类别上的定量对比 (续)

方法 MAE (R) MAE (t) MIE (R) MIE (t) RMSE (R) RMSE (t)
RGM 0.937 4 0.007 6 1.736 6 0.015 9 3.467 3 0.029 1
GeoTransformer 1.074 8 0.010 7 2.080 3 0.022 8 1.235 5 0.013 2
IFNet 3.895 5 0.030 2 7.528 5 0.059 5 8.785 8 0.046 3
GNN-GSSC 0.279 9 0.002 4 0.546 6 0.004 8 1.351 9 0.010 8
本文方法 0.138 8 0.001 2 0.261 1 0.002 4 0.455 7 0.002 7

表 6 在 ShapeNet Part 和 FAUST 数据集上的泛化对比

数据集 方法 MAE (R) MAE (t) MIE (R) MIE (t) RMSE (R) RMSE (t)
DCP 9.138 2 0.084 7 18.078 4 0.169 3 13.215 7 0.108 4
IDAM-GNN 7.698 5 0.081 3 14.701 6 0.162 6 12.521 8 0.117 6
RPM-Net 2.950 5 0.026 4 5.778 3 0.052 7 5.575 4 0.042 0
DeepBBS 4.384 1 0.041 2 8.568 2 0.082 4 13.792 4 0.085 7
PREDATOR 1.268 2 0.009 2 2.555 3 0.018 3 3.930 1 0.035 4
FINet 3.501 4 0.032 9 6.854 4 0.068 0 5.233 3 0.047 3
ShapeNet Part RegTR 0.601 7 0.005 0 1.188 1 0.010 5 1.816 3 0.012 2
OGMM 1.452 7 0.008 9 2.827 5 0.018 8 6.502 3 0.036 2
RGM 1.835 1 0.014 5 3.540 2 0.031 2 8.090 0 0.050 6
GeoTransformer 0.566 2 0.005 4 1.095 5 0.011 3 0.652 2 0.006 7
IFNet 1.600 7 0.011 2 3.048 5 0.022 1 6.923 2 0.033 5
GNN-GSSC 0.206 4 0.001 5 0.411 0 0.003 3 1.337 4 0.009 8
本文方法 0.146 7 0.001 3 0.272 2 0.002 6 0.280 6 0.003 5
DCP 9.206 5 0.085 5 18.682 5 0.168 7 12.339 6 0.108 4
IDAM-GNN 7.960 1 0.104 8 15.070 1 0.204 8 11.120 0 0.148 9
RPM-Net 3.877 2 0.025 5 7.575 7 0.049 9 5.812 6 0.036 7
DeepBBS 5.226 7 0.046 1 9.794 6 0.091 6 13.630 2 0.089 5
PREDATOR 1.939 1 0.017 3 3.624 3 0.036 2 3.860 4 0.049 3
FINet 3.570 9 0.033 2 6.994 8 0.068 5 5.345 1 0.047 4
FAUST RegTR 0.714 3 0.005 7 1.367 3 0.011 6 0.982 5 0.007 9
OGMM 0.531 1 0.003 5 1.059 7 0.007 0 6.327 0 0.031 0
RGM 1.135 6 0.008 5 2.184 9 0.016 7 3.174 6 0.023 3
GeoTransformer 0.445 5 0.004 2 0.878 4 0.009 6 0.520 4 0.005 3
IFNet 3.100 7 0.117 0 4.209 5 0.235 9 5.497 1 0.168 7
GNN-GSSC 0.102 4 0.000 8 0.190 2 0.001 6 0.139 8 0.001 1
本文方法 0.230 3 0.001 8 0.428 5 0.003 6 0.317 6 0.002 6

2.4 消融实验
为了验证所提出 3 个模块的有效性, 本文以 ModelNet40 数据集为例, 针对未知类别的部分点云配准进行如下
消融实验: (I) 移除动态偏移的局部图学习模块; (II) 移除动态关注的全局图学习模块; (III) 移除注意力驱动的互补
融合模块. 此外, 为验证注意力驱动的互补融合模块中差异信息的重要性, 以及差异信息与相似信息协同作用的有
效性, 还设计了以下 3 个消融实验: (IV) 移除基于交叉注意力的差异信息提取步骤; (V) 在模型 IV 的基础上, 将源
点云和目标点云进行拼接融合; (VI) 在模型 IV 的基础上, 将源点云和目标点云进行加性融合.
实验结果如表 7 所示. 可以发现, 在模型 I 中, 移除动态偏移的局部图学习模块, 性能显著下降. 这表明该模块
在特征提取阶段发挥了关键作用, 尤其是在捕获点云的局部细节方面. 相比于固定图结构的特征学习方式, 该模块
通过动态偏移策略使点云特征能够在局部范围内进行自适应调整, 从而更有效地捕获关键几何信息. 这一策略不
仅提升了配准精度, 还为点云处理领域提供了一种新的思路, 即通过局部自适应学习来增强特征表征能力. 在模
型 II 中, 去除动态关注的全局图学习模块, 模型性能略微降低, 说明该模块也发挥了重要的作用. 在模型 III 中, 删