摘要
在基于特征学习的点云配准方法中，正确对应关系的构建对于后续变换估计至关重要。然而，从点云中提取具有区分性的特征仍是一项挑战，尤其是在输入点云为部分观测且由难以区分的表面（如平面、光滑表面等）构成的情况下。这导致两个未对齐点云之间精确匹配的内点对应关系比例难以令人满意。针对这一问题，我们提出了一系列技术，旨在通过提升内点对应关系的比例来增强基于特征学习的点云配准性能：设计了一种金字塔层次解码器，以多尺度方式表征点特征；引入一种一致性投票策略，以保持对应关系的一致性；并提出一种几何引导编码模块，将几何特性纳入特征学习过程。基于上述技术，我们构建了几何引导的一致性网络（Geometry-guided Consistent Network, GCNet），并在室内、室外及以物体为中心的合成数据集上对GCNet进行了全面评估。大量实验结果表明，GCNet在性能上优于当前最先进的方法，且所采用的技术具有模型无关性，可轻松迁移至其他基于特征的深度学习方法或传统配准方法中，并显著提升其性能。代码已开源，地址为：https://github.com/zhulf0804/NgeNet。