従来の点群登録アルゴリズムは、初期姿勢誤差、ノイズ干渉、および局所構造の繰り返しといった複雑な条件下で局所最適解に陥りやすい問題に対して、深層特徴の一貫性制約と注意機構を融合した点群登録手法を提案する。本手法は、注意力強化型深層特徴抽出ネットワークAENetを構築し、自己教師あり学習により剛体変換に不変な点レベルの記述子を抽出する。この基礎に基づき、まず深層特徴類似性を用いて初期対応付けと粗変換の推定を行い、さらに多尺度ICP反復最適化フレームワークに深層特徴の一貫性制約項を導入し、幾何情報と特徴類似性の共同最適化目標を形成して粗から精への安定した整合を実現する。ModelNet40データセットで既存の主要手法と比較した実験結果は、本手法が全ての誤差指標において著しい優位性を示すことを明らかにした。具体的には、回転平均二乗根誤差RMSE-RがFINet、OGMM、IDAM-GNN、PREDATOR、RoCNetに比べてそれぞれ約85.5%、89.7%、78.8%、74.3%、61.6%低減し、平行移動平均二乗根誤差RMSE-tもそれぞれ約88.2%、87.0%、51.1%、72.0%、18.2%低減した。したがって、本手法は登録精度と安定性を効果的に向上させる点群登録手法である。

点群登録;深層特徴;注意機構;反復最近点;多尺度最適化;自己教師あり学習