PointDifformer: Robust Point Cloud Registration With Neural Diffusion and Transformer

我们提出了一种鲁棒的点云配准方法，利用了图神经偏微分方程（PDEs）和热核签名技术。在噪声或扰动普遍存在的挑战性条件下，配准任务可能会很困难。我们的方法首先使用图神经PDE模块从点云中提取高维特征，通过聚合来自三维点邻域的信息来增强特征表示的鲁棒性。然后，我们将热核签名纳入到注意机制中，以高效地获取相应的关键点。最后，使用具有可学习权重的奇异值分解（SVD）模块来预测两个点云之间的变换。在一个三维点云数据集上的实证实验表明，我们的方法不仅实现了点云配准的最新性能，而且对于添加噪声或三维形状扰动具有更好的鲁棒性。

本论文旨在解决在嘈杂或受干扰条件下进行点云配准的问题，提出了一种基于图神经偏微分方程和热核特征的鲁棒点云配准方法。

该方法利用图神经偏微分方程模块从点云中提取高维特征，通过聚合3D点邻域的信息来增强特征表示的鲁棒性。然后，将热核特征结合到注意力机制中，以高效地获取对应的关键点。最后，使用具有可学习权重的奇异值分解模块来预测两个点云之间的转换。

本文的实验结果表明，该方法不仅在点云配准方面达到了最先进的性能，而且对于加性噪声或3D形状扰动具有更好的鲁棒性。此外，该论文还提供了开源代码和使用的数据集。

最近的相关研究包括：PointNetLK, Deep Closest Point, PRNet等。