三维无监督区域感知配准Transformer

本文研究点云配准问题，旨在寻找刚体变换以最优对齐源点集与目标点集。利用深度神经网络学习鲁棒的点云配准模型已成为一种有力范式，在预测点集对的全局几何变换方面展现出良好性能。现有方法首先利用编码器回归全局形状描述符，随后通过基于拼接的条件化将其解码为形状条件变换。然而，三维形状的不同区域几何结构各异，因此采用区域条件变换而非形状条件变换更为合理。本文通过引入一种新的三维区域划分模块设计来定义我们的三维配准函数，该模块能以自监督三维形状重建损失将输入形状划分为不同区域，无需真实标签。我们进一步提出三维形状Transformer模块，以高效且有效地捕获三维形状上区域的短程与长程几何依赖。进而，提出区域感知解码器模块分别预测不同区域的变换。源点集到目标点集的全局几何变换由区域感知变换的加权融合形成。与SOTA方法相比，我们的实验表明3D-URRT在各种基准数据集(如ModelNet40)上实现了更优的配准性能。