LPRnet：一种用于 LiDAR 与摄影测量点云的自监督配准网络

LiDAR 和摄影测量分别是用于点云获取的主动和被动遥感技术，它们提供互补的优势且具有异构性。由于传感机制、空间分布和坐标系的根本差异，它们的点云在密度、精度、噪声和重叠度方面表现出显著差异。加之缺乏大规模场景的真值，整合异构点云是一项极具挑战性的任务。本文提出了一种基于掩码自编码器的自监督配准网络，专注于异构 LiDAR 与摄影测量点云。该方法的核心是引入多尺度掩码训练策略，以在自监督下从异构点云中提取稳健特征。为了进一步增强配准性能，设计了一个旋转-平移嵌入模块，以有效捕获准确刚性变换所需的关键特征。基于稳健的表示，基于 Transformer 的架构无缝集成了局部和全局特征，促进了跨不同点云数据集的精确对齐。所提出的方法展示了对 LiDAR 和摄影测量点云的强大特征提取能力，解决了在场景级获取真值的挑战。在两个真实世界数据集上进行的实验验证了所提出方法在解决异构点云配准问题上的有效性。