기존 점군 정합 알고리즘이 초기 자세 오차, 노이즈 간섭 및 국부 구조 반복 등 복잡한 조건에서 지역 최적해에 빠지기 쉬운 문제를 해결하기 위해, 심층 특징 일관성 제약과 어텐션 네트워크를 융합한 점군 정합 방법을 제안한다. 본 방법은 주의력이 강화된 심층 특징 추출 네트워크 AENet을 구축하여 자가 지도 학습을 통해 강체 변환에 불변하는 점 단위 서술자를 추출한다; 이를 기반으로 깊은 특징 유사성을 이용해 초기 매칭 및 거친 변환을 추정하고, 다중 스케일 ICP 반복 최적화 프레임워크에 심층 특징 일관성 제약항을 도입하여 기하학적 및 특징 유사성의 공동 최적화 목표를 형성하여 거칠게부터 정밀하게 안정적인 정렬을 달성한다. ModelNet40 데이터셋에서 기존 주요 방법들과 비교한 실험 결과, 제안 방법이 모든 오차 지표에서 상당한 우위를 나타냄을 보였다. 구체적으로, 회전 평균 제곱근 오차 RMSE-R은 FINet, OGMM, IDAM-GNN, PREDATOR, RoCNet 대비 각각 약 85.5%, 89.7%, 78.8%, 74.3%, 61.6% 감소하였으며, 평행 이동 평균 제곱근 오차 RMSE-t도 각각 약 88.2%, 87.0%, 51.1%, 72.0%, 18.2% 감소하였다. 따라서 본 방법은 정합 정확도와 안정성을 효과적으로 향상시킬 수 있는 점군 정합 방법이다.

점군 정합;심층 특징;어텐션 메커니즘;반복 최근점;다중 스케일 최적화;자가 지도 학습