本發明涉及三維點云數據的處理，更具體地說，是涉及一種用于跨域點云配準的方法。該方法結合了擴散模型和圖等變編碼技術，以提高深度學習預訓練算法在不同數據集間的泛化性，進而優化點云數據的空間配準精度和魯棒性。

背景技術：

1、點云配準是三維點云處理的重要任務之一，是三維數據分析、三維重建等任務的上游任務，它廣泛應用于城市重建、自動駕駛、智能機器人、環境感知等諸多領域。目前，三維點云配準已經成為計算機視覺領域一個熱門的研究課題，已有大量工作致力于提高三維匹配的性能，并且已取得了長足發展和進步。

2、spinnet、predator等方法通過深度學習框架提取復雜的幾何信息，利用注意力機制和局部區域匹配方法提升算法上下文感知能力，并在算法中引入旋轉不變性或使用特定的數據預處理提升算法的配準準確性。而pointdsc、sc2-pcr等方法將重心放在提升算法魯棒性上，更重視配準后的空間一致性，并剔除或減少外點的影響，在匹配準確性以及效率上都有較大提升。

3、以上方法在相同或類似數據分布的數據集上有良好的表現，但將訓練的算法直接泛化到其他數據分布上的測試結果差異較大。本發明認為是因為不同數據之間的分布偏移導致了泛化性差的結果。在真實世界中，經常發生采集場景或采集設備的變化，導致數據分布的變化，這大幅影響了點云數據采集作業。

4、在預訓練過程中生成更廣泛且符合真實世界的數據分布，再將預訓練泛化到新數據分布上，對新數據的配準結果有一定提升。近期研究已經注意到在點云配準過程中的領域適應問題，并且在之前的工作中作出了改進。buffer算法利用區塊嵌入器來提取高效且具有泛化能力的局部信息，使其具有較強的數據間泛化結果；sira-pcr算法通過考慮不同的感知機制和物體布局的變化，自適應地調整合成數據，使算法能更好地適應真實世界點云的數據分布。但以上方法都是通過深度學習算法設計更廣泛的點云數據空間對齊方式，或采用最小化域差異方法讓算法更好地適應新的數據域，不能動態地調整點云數據分布。

5、因此，如何提供一種跨域泛化的點云配準方法是本領域技術人員亟需解決的問題。

技術實現思路

1、有鑒于此，本發明提供了一種基于擴散變換生成和圖等變編碼的跨域點云配準方法，該方法通過結合先進的擴散模型與圖等變技術，優化了點云數據的配準精度，具備高效處理不同數據分布的能力，并在保持點云結構的基礎上，有效抵抗旋轉變化和噪聲干擾，從而提高了算法的泛化能力和魯棒性。為實現上述目的，本發明采用如下技術方案：

2、一種基于擴散變換生成和圖等變編碼的跨域點云配準方法，包括：

3、s1：初始化點云數據，將源點云和目標點云通過預處理步驟標準化，確保數據質量符合配準過程的要求；

4、s2：利用基于歐幾里德空間特殊李群的擴散模型，對源點云數據注入序列噪聲，逐步將點云數據從原始狀態轉化為具有高斯噪聲的狀態；

5、s3：采用圖等變編碼模塊處理帶有噪聲的點云數據，通過圖神經網絡在不依賴全局空間位置的條件下，提取點云數據，增強點云數據的局部結構表示能力；

6、s4：執行重疊區域樣本集統計，通過構建正樣本集和負樣本集優化點云匹配；正樣本集由空間上接近的點對組成，而負樣本集則由遠距離的點對構成；此步驟通過最小化正樣本間的距離并最大化負樣本間的距離來改進配準精度；

7、s5：使用解碼器還原經過圖等變編碼模塊處理后的點云數據。此步驟涉及將編碼后的高維點云數據重新轉換回點云數據的幾何空間，準備用于后續的變換矩陣計算；

8、s6：通過多層感知機和奇異值分解方法預測和計算最終的變換矩陣；

9、s7：計算損失函數并執行反向傳播；根據預測的變換矩陣和實際變換矩陣之間的差異，計算損失函數值，以評估點云配準的準確性；然后，利用損失函數的計算結果，通過反向傳播更新算法的權重和參數，優化算法的配準性能；

10、s8：結束。

11、經由上述的技術方案可知，與現有技術相比，本發明的技術方案，通過擴散變換生成器和圖等變編碼模塊，不僅提升了點云配準的精度，還增強了算法對復雜環境變化的適應能力。本方法通過生成新的變換矩陣和利用圖神經網絡來提取和處理點云數據，有效擴展了數據域，減少了模型對特定數據分布的依賴。這種方法不依賴于經驗閾值，有效避免了傳統方法中因閾值設定不當導致的錯誤匹配問題。此外，本發明還通過迭代優化流程，確保在保留重要結構點云信息的同時，極大地增強了算法在不同數據集之間的適應性和泛化能力，可以廣泛適用于如自動駕駛、機器人導航及城市建模等諸多應用場景。

技術特征：

1.一種基于擴散和圖等變的跨域點云配準方法，包括以下步驟：

2.根據權利要求1所述的一種基于擴散和圖等變的跨域點云配準方法，其特征在于，在步驟s2中，利用圖消息傳播機制來整合局部信息，確保局部與全局信息表示的一致性，并通過圖等變框架保證配準前后的旋轉不變性。

3.根據權利要求1或2所述的一種基于擴散和圖等變的跨域點云配準方法，其特征在于，在步驟s7中，重疊區域對比學習損失通過拉近數據空間中正樣本對的距離，同時推遠負樣本對的距離，從而提高配準的準確性，并有效泛化到未知數據上。

技術總結
本發明公開了一種基于擴散模型和圖等變的跨域點云配準方法，旨在改善深度學習預訓練模型在不同數據集之間的泛化性能。該方法包括以下步驟：首先，采用擴散模型的原理構建代理變換矩陣，適應不同空間分布，以減少對特定數據分布的依賴；其次，設計圖等變編碼模塊，在歐式空間下通過圖神經網絡對點云數據進行特征提取，該模塊不依賴全局空間位置，可緩解擴散模型引入的噪聲干擾，提升算法的穩定性和準確性；最后，實施重疊區域對比學習，增強模型對復雜變換的適應能力。本發明的配準算法不僅具有高精度，還顯示出優秀的魯棒性和泛化能力。

技術研發人員：楊軍,孫鴻煒
受保護的技術使用者：蘭州交通大學
技術研發日：
技術公布日：2025/4/28