기존 일부 중첩 포인트 클라우드 정합 알고리즘은 중첩 경계 영역 인식과 비중첩 점 제거에 부족함이 있어 부분 중첩 포인트 클라우드 정합 알고리즘의 성능 향상을 제한한다. 이러한 문제를 해결하기 위해 본 논문에서는 2단계 중첩 점수 및 매칭 행렬 기반의 부분 중첩 포인트 클라우드 정합 네트워크를 설계하였다. 먼저 자세 추정 모듈에서 인접 일관된 특징을 입력으로 사용하여 초기 자세를 추정하여 초기 정렬 정확도를 높였으며; 다음으로 두 포인트 클라우드 중첩 영역을 인지하기 위한 채널 공간 인식 Transformer 모듈을 설계하여 중첩 경계 영역에 대한 정확한 인식을 유지하였다; 그 후 Transformer 기반 특징 인코더를 제안하여 초기 정렬 후 포인트 클라우드 특징을 인코딩하여 특징 맵의 전역 및 중요 채널 특징을 탐색하였다; 마지막으로 이상치 제거 방법을 사용하여 코사인 유사도 행렬을 매칭 행렬로 변환하여 비중첩 점을 제거하고 점 간 대응 관계를 올바르게 매칭하였다. 본 알고리즘은 ModelNet40, ShapeNetCore.v2 및 Stanford Bunny 데이터셋에서 검증되었으며, ModelNet40 데이터셋에서 차선 알고리즘 GeoTransformer 대비 평균 등방성 오차 MIE(R)와 평균 절대 오차 MAE(R)가 각각 12.79%, 9.78% 감소하였고; ShapeNetCore.v2 데이터셋에서 차선 알고리즘 MGFPCR 대비 제곱근 평균 제곱 오차 RMSE(R)와 평균 절대 오차 MAE(R)가 각각 42.00%, 61.66% 감소하였으며; Stanford Bunny 데이터셋에서 차선 알고리즘 ROPNet 대비 제곱근 평균 제곱 오차 RMSE(R)와 평균 절대 오차 MAE(R)가 각각 25.53%, 5.58% 감소하였다. 실험 결과 본 알고리즘은 일반화 성능과 잡음 내성에서 다른 알고리즘 대비 우수함을 보였다.

영상 처리;포인트 클라우드 정합;중첩 점수 예측;채널 공간 인식;이완 변수