三维点云配准是计算机视觉和计算机图形学领域的一个基础研究问题,其应用包括增强现实、物体姿态估计和三维重建等。它的目标是预测刚性变换,将源点云与目标点云对齐在同一坐标系中。目前,基于深度学习的点云配准方法相较于传统方法有着推理速度快,配准精度高等优势,因此备受研究者们的关注。然而,现有的深度学习方法在部分到部分的点云配准中表现不佳,因为大量离群点的存在严重影响了这些方法的有效性。此外,现有的一些方法为了改善配准结果的输出,通常在网络后端添加传统方法来细化配准,这是非常耗费时间的。为了解决这些问题,本文提出了一个新颖的配准框架,用来解决部分到部分的点云配准问题,为了进一步细化配准结果的输出,本文引入基于特征相似矩阵一致性约束的点对权重分配方案,其具体研究内容如下:1.本文提出了一种基于多层次语义-结构认知的点云配准框架。该算法在全局语义层面,引入多尺度特征交换网络对点的匹配可信度进行主动评估。对于局部结构学习,应用了自注意力和交叉注意力机制来生成可区分的特征。此外,本文结合了一种新的交替对应搜索机制和灵活的双向错位损失来进行稳健的学习,在推理阶段引入了一种简单有效的加权奇异值分解方案。在两个具有挑战性的数据集上的输出结果,证明了该算法能够有效解决部分-部分的点云配准问题。2.本文提出了一种基于一致性约束下的权重分配方案。在网络模型收敛后,共享参数的特征提取网络的输出与注意力融合后输出建立起的特征相似矩阵应具有一致性分布,鉴于此,通过计算两个相似矩阵逐元素对应乘积,再重新按行最大元素为点对分配权重,一定程度上避免了错误点对对推理结果的影响,实验结果进一步提升。