Page 369 - 《软件学报》2025年第12期

5750 软件学报 2025 年第 36 卷第 12 期

除注意力驱动的互补融合模块, 配准效果有所下降, 说明点云之间的交互对于特征匹配至关重要. 此外, 模型 IV 说
明了差异信息能够有效捕获点云之间的细微差异并缓解匹配模糊问题. 模型 V 和模型 VI 的结果都出现了明显下
降, 由此可见, 单独使用源点云和目标点云的融合方法无法充分挖掘差异信息和相似信息之间的互补性, 限制了配
准效果的提升. 综上所述, 本文所设计的模块都发挥了重要作用, 有利于提高点云配准的准确性.

表 7 不同消融实验在 ModelNet40 数据集上的定量比较

模型 MAE (R) MAE (t) MIE (R) MIE (t) RMSE (R) RMSE (t)
I 1.042 9 0.009 5 1.931 7 0.019 8 4.781 8 0.038 8
II 0.166 4 0.001 7 0.315 1 0.003 4 0.512 8 0.008 4
III 0.321 0 0.002 9 0.601 5 0.006 0 1.444 8 0.012 5
IV 0.193 6 0.001 6 0.367 5 0.003 3 1.159 6 0.009 6
V 0.326 7 0.002 8 0.640 8 0.005 7 1.480 2 0.013 0
VI 0.288 9 0.002 5 0.547 6 0.005 3 1.155 2 0.011 0
本文方法 0.138 8 0.001 2 0.261 1 0.002 4 0.455 7 0.002 7

2.5 超参数讨论
K, 动
本节主要讨论不同超参数的设置对模型性能的影响, 包括动态偏移的局部图学习模块中的最近邻数量
态偏移的局部图学习和动态关注的全局图学习模块中的高斯核参数 σ, 特征提取阶段局部-全局图学习模块堆叠
′
L
的层数 L 以及特征匹配阶段注意力驱动的互补融合模块堆叠的层数 .
(1) 最近邻数量 K. 本文分别对 K 为 16、24 和 32 的情况进行了实验, 结果如表 8 和图 6(a) 所示. 当 K 较小时,
局部图中的信息相对有限, 可能导致特征提取能力不足. 当 K 较大时, 部分点包含较多与中心点无关的信息, 聚合
后容易造成特征描述的模糊性. 因此, 本文经验性地设置 K = 24.

表 8 最近邻数量 K 的影响

K MAE (R) MAE (t) MIE (R) MIE (t) RMSE (R) RMSE (t)
16 0.150 2 0.009 6 0.275 5 0.002 9 0.818 4 0.009 6
24 0.138 8 0.001 2 0.261 1 0.002 4 0.455 7 0.002 7
32 0.360 6 0.003 1 0.671 2 0.006 4 2.704 5 0.021 4

MAE (R) MAE (t) MIE (R) MIE (t) RMSE (R) RMSE (t)
3.0 0.025 3.5 0.025
2.5 3.0
0.020 2.5 0.020
R 相关指标 1.5 0.015 t 相关指标 R 相关指标 2.0 0.015 t 相关指标
2.0
1.5
0.010
0.010
1.0
0.5 0.005 1.0 0.005
0.5
0 0 0 0
K=16 K=24 K=32 =0.6 =0.8 =1.0
(a) 最近邻数量 K ؓྟି֥႕ཙ (b) 高斯核参数 ؓྟି֥႕ཙ
1.5 0.015 4.0 0.05
3.5
1.2 0.012 3.0 0.04
R 相关指标 0.9 0.009 t 相关指标 R 相关指标 2.5 0.03 t 相关指标
2.0
0.02
0.006
0.6
1.5
0.3 0.003 1.0 0.01
0.5
0 0 0 0
L=3 L=4 L=5 L'=1 L'=2 L'=3
(c) 特征提取层数 L ؓྟି֥႕ཙ (d) 特征匹配层数 L′ ؓྟି֥႕ཙ
图 6 不同超参数在 ModelNet40 数据集上的影响