GAFAR：基于图注意力的特征增强配准——一种快速轻量级点集配准算法

点云的刚性配准是计算机视觉中的一个基本问题，在从三维场景重建到几何捕获和机器人技术等许多应用中都有广泛用途。如果存在合适的初始配准，像 ICP 及其众多变体这样的传统方法可以提供充分的解决方案。然而，在缺乏合适初始化、离群点率较高或重叠区域较小的情况下，刚性配准任务仍然面临巨大挑战。深度学习在计算机视觉中的出现为这一主题的研究带来了新的动力，因为它提供了学习具表达力的特征表示并给出一次性估计的可能性，而不必依赖传统鲁棒方法耗时的迭代。然而，点云的旋转和置换不变性给深度学习带来了自身的挑战，导致由于对离群点的敏感性以及网络训练时未出现的三维扫描特性，性能下降且泛化能力低下。在这项工作中，我们提出了一种新颖的快速轻量级网络架构，利用注意力机制在推理时增强点描述子，以最优地适应其所面对的特定点云的配准任务。在点云内部和点云之间均采用全连接图，使网络能够推断各点对于配准的重要性和可靠性，使我们的方法对离群点、低重叠和未见过的数据具有鲁棒性。我们在不同的配准和泛化任务上测试了我们的配准算法的性能，并提供了关于运行时间和资源消耗的信息。代码和训练权重可在 https://github.com/mordecaimalignatius/GAFAR/ 获取。