MCI-Net：用于点云配准的鲁棒多域上下文集成网络
计算机视觉与模式识别
2025-12-30 v1
摘要
鲁棒且判别性的特征学习对于高质量点云配准至关重要。然而，现有的深度学习方法通常依赖于欧几里得邻域基于策略进行特征提取，这难以有效捕获点云中的隐式语义和结构一致性。为此，我们提出了一个多域上下文集成网络（MCI-Net），通过整合来自不同域的上下文线索来提高特征表征和配准性能。具体而言，我们提出了一个图邻域聚合模块，该模块构建全局图以捕获点云中整体结构关系。我们然后提出了一个渐进式上下文交互模块，通过执行域内特征解耦和域间上下文交互来增强特征判别性。最后，我们设计了一个动态内点选择方法，该方法利用来自多次姿态估计的残差信息优化内点权重，从而提高了配准的准确性和鲁棒性。广泛的实验在室内RGB-D和户外LiDAR数据集上表明，所提出的MCI-Net显著优于现有的领先方法，在3DMatch上实现了最高的96.4%配准召回率。源代码可在 http://www.linshuyuan.com 获取。
引用
@article{arxiv.2512.23472,
title = {MCI-Net: A Robust Multi-Domain Context Integration Network for Point Cloud Registration},
author = {Shuyuan Lin and Wenwu Peng and Junjie Huang and Qiang Qi and Miaohui Wang and Jian Weng},
journal= {arXiv preprint arXiv:2512.23472},
year = {2025}
}