LAHNet：用于点云配准的局部注意力哈希网络
计算机视觉与模式识别
2026-03-10 v2
摘要
大多数现有的基于学习的点云描述符都 focuses on 捕捉点云的局部信息以生成具有辨识度的特征。然而，获得合理且更广阔的感受野对于增强特征的辨识度至关重要。本文提出了一种用于点云配准的 Local Attentive Hashing Network，称为 LAHNet，它在点云描述符中引入了具有卷积类算子局部性偏置的局部注意力机制。具体而言，设计了 Group Transformer 以捕获点之间合理的长程上下文。该机制采用线性邻域搜索策略和局部敏感哈希，实现对点云的均匀划分为非重叠窗口。同时，采取高效的跨窗口策略进一步扩充合理的特征感受野。基于这种有效的窗口策略，我们提出了 Interaction Transformer 来增强点云对中重叠区域的特征相互作用。这一计算通过将每个窗口表示为全局信号来构建重叠矩阵，从而匹配点云对之间的重叠区域。大量实验结果表明，LAHNet 能够学习到稳健且具有辨识度的特征，在真实世界的室内和户外基准数据集上实现了显著的配准效果。
引用
@article{arxiv.2512.00927,
title = {LAHNet: Local Attentive Hashing Network for Point Cloud Registration},
author = {Wentao Qu and Xiaoshui Huang and Liang Xiao},
journal= {arXiv preprint arXiv:2512.00927},
year = {2026}
}