摘要
我们研究了点云配准中一对点云之间对应关系的提取问题。现有方法在对应关系检索中通常依赖从密集点中检测出的稀疏关键点进行匹配，但往往难以保证关键点的重复性。为解决这一问题，本文提出 CoFiNet（Coarse-to-Fine Network），一种无需关键点检测、从粗到细逐步提取层次化对应关系的网络架构。在粗粒度尺度上，基于一种加权策略，模型首先学习匹配下采样后的节点，这些节点的邻域点具有较高的重叠度，从而显著缩小后续阶段的搜索空间。在更细粒度尺度上，节点提议被逐步扩展为包含点群及其关联描述子的局部区域（patch）。随后，通过一个能够适应不同点密度变化的密度自适应匹配模块，在对应区域的重叠区域内对点对应关系进行精细化优化。在室内与室外标准基准上的大量实验评估表明，CoFiNet 在性能上显著优于现有方法。尤其在 3DLoMatch 数据集上，当点云间重叠度较低时，CoFiNet 在配准召回率（Registration Recall）指标上相较当前最优方法至少提升 5%，且模型参数量仅为后者的三分之一左右。