用于点云匹配的旋转不变 Transformer

内在旋转不变性是基于手工描述子匹配点云的核心。然而，近期深度匹配器普遍忽视这一点，它们通过数据增强外在获取旋转不变性。由于有限数量的增强旋转永远无法覆盖连续的 SO(3) 空间，这些方法在面对罕见旋转时通常表现出不稳定性。为此，我们引入 RoITr，一种旋转不变 Transformer（Rotation-Invariant Transformer），以应对点云匹配任务中的位姿变化。我们在局部与全局两个层面均作出贡献。从局部层面出发，我们引入一种嵌入基于点对特征（PPF）坐标的注意力机制来描述位姿不变几何，并据此构建新颖的基于注意力的编码器-解码器架构。我们进一步提出一种具有由自注意力机制学习的旋转不变跨帧空间感知的全局 transformer，其显著提升了特征区分度并使模型对低重叠具有鲁棒性。实验在刚性与非刚性公开基准上进行，在低重叠场景中 RoITr 以可观优势超越所有 SOTA 模型。尤其在具有挑战性的 3DLoMatch 基准上扩大旋转时，RoITr 在内点率（Inlier Ratio）与配准召回率（Registration Recall）上分别至少超越现有方法 13 和 5 个百分点。