基于球面点的三维配准：等变SE(3)特征

点云配准对于确保远程感知或数字遗产学中多个局部点云的三维对齐一致性至关重要。虽然存在各种基于点云的配准方法，包括非学习和学习方法，但它们忽略了点的位置不确定性，使得模型对噪声输入和输入点云的激进旋转（如正交变换）极其敏感；因此，需要大量带有变换增广的训练点云。为解决这些问题，我们提出一种基于球面点的姿态学习回归方法。该方法可使用虚拟透视相机参数从激光点云初始化球面点，并通过SE(3)等变卷积核学习显式的等变特征，包括位置和旋转，以预测源扫描与目标扫描之间的相对变换。该模型由等变卷积编码器、用于相似性计算的跨注意力机制、全连接解码器和非线性Huber损失函数组成。在室内和户外数据集上的实验结果表明，我们的方法在实际点云扫描中优于并表现出鲁棒性。