基于邻域几何质心的深度学习点云配准（特邀）

三维点云配准是实现多视角三维重建与复杂场景空间理解的关键技术，然而在重叠区域有限、局部遮挡显著及点云质量受扰等非理想条件下，现有方法仍面临配准精度与鲁棒性难以兼顾的挑战。提出了一种基于邻域几何质心编码的点云配准网络，通过构建邻域质心空间参考和多维几何结构编码，显著增强了局部结构建模与匹配判别能力。具体而言，采用邻域加权质心策略提取多尺度局部几何特征，在自注意力机制中融合几何偏置信息，通过跨点云交叉注意力模块实现高效的局部对局部匹配与全局对齐。实验结果表明，所提方法在ModelNet40数据集及基于结构光测量的真实点云数据集上均实现了较现有主流方法更高的配准精度与稳定性，特别是在低重叠率和噪声干扰条件下展现出显著优势。该研究可为多视角点云拼接与结构光测量系统中的三维重建提供新的方法思路，并为复杂环境下点云配准算法的设计与实现提供有效支持。