PointDSC：基于深度空间一致性的鲁棒点云配准

剔除异常对应点是实现基于特征的点云配准成功的关键步骤之一。尽管深度学习方法在该领域日益流行，但点云之间由欧几里得变换所决定的空间一致性特性，在现有学习框架中几乎未受到独立关注。本文提出PointDSC，一种新型深度神经网络，能够显式地引入空间一致性以剔除异常对应点。首先，我们设计了一种非局部特征聚合模块，该模块基于特征一致性与空间一致性进行加权，用于输入对应点的特征嵌入。其次，我们构建了一个可微的谱匹配模块，通过成对空间兼容性进行监督，从嵌入特征中估计每个对应点的内点置信度。在计算开销较小的前提下，本方法在多个真实世界数据集上显著优于当前最先进的手工设计及基于学习的异常点剔除方法。此外，我们通过将PointDSC与多种三维局部描述子结合，进一步验证了其广泛的适用性。