PARE-Net：用于稳健点云配准的位置感知旋转等变网络

学习旋转不变的独特特征是点云配准的基本要求。现有方法常使用旋转敏感的网络提取特征，同时通过旋转增广粗糙地学习近似不变映射。这使得网络对旋转不稳健、过重且阻碍特征的可辨性。为解决这些问题，我们提出一种新型位置感知旋转等变网络，用于高效、轻量且稳健的配准。该网络可为学习旋转等变/不变特征提供强有力的模型归纳偏置，从而解决上述限制。为进一步提高描述子的可辨性，我们提出位置感知卷积，可更好地学习局部结构的空间信息。此外，我们还提出一种基于特征的假设提议器。它利用编码细粒度结构方向的旋转等变特征生成可靠的模型假设。每个对应关系都可以生成一个假设，因此比需要多个可靠对应关系的经典估计器更高效。相应地，提出了对比旋转损失，以增强旋转等变特征在数据降解下的稳健性。大量实验表明，在室内和户外数据集上，我们的方法在注册召回率方面显著优于SOTA方法，同时保持轻量级和快速速度。此外，实验表明该方法在旋转数据集上对旋转变化具有良好鲁棒性。代码已公开于https://github.com/yaorz97/PARENet。