Dado que os métodos atuais de registro de nuvens de pontos não conseguem lidar bem com problemas como incompatibilidade de resolução, sobreposição parcial de nuvens de pontos e muitos pontos de ruído ao processar modelos de artefatos como os guerreiros de terracota, propõe-se um modelo de registro ResUNet baseado em mecanismo de atenção dinâmico. Este modelo integra um módulo residual na rede U-Net, usa convolução esparsa de voxel 3D para calcular características das nuvens de pontos e introduz uma nova técnica de normalização: Normalização em Lote de Vizinhança (Batch-Neighborhood Normalization, BNHN), para melhorar a robustez das características em relação a mudanças na densidade de pontos; para melhorar ainda mais o desempenho do registro, o modelo agrega características locais e contextuais por meio de mecanismos de autoatenção e atenção cruzada, e finalmente combina o algoritmo RANSAC para estimar a matriz de transformação entre as nuvens de pontos fonte e alvo, realizando o registro robusto do modelo dos guerreiros de terracota. Para validar a eficácia e robustez deste método, o modelo foi testado em quatro conjuntos de dados (3DMatch, 3DLoMatch, conjunto de dados 3DMatch com incompatibilidade de resolução e dois conjuntos de dados dos guerreiros de terracota). Os resultados experimentais mostram que a taxa de recall do registro alcança 90,1% e 61,0% nos conjuntos 3DMatch e 3DLoMatch, respectivamente; no conjunto 3DMatch com incompatibilidade de resolução, o modelo apresentou uma melhoria de 5% a 20% na taxa de recall em comparação com algoritmos de registro baseados em aprendizado de características; nos conjuntos dos guerreiros de terracota, o erro relativo de rotação foi inferior a 0,071 e o erro relativo de translação inferior a 0,016, reduzindo em uma ordem de magnitude ou múltiplas vezes em comparação com algoritmos similares. Portanto, o modelo pode extrair informações chave das características das nuvens de pontos 3D e possui maior robustez frente a variações na densidade e sobreposição dos pontos.

registro de nuvens de pontos; mecanismo de atenção dinâmica; nuvens de pontos com baixa sobreposição; variação da densidade de pontos; rede residual