TGE: Trainable Graph Encoding for point cloud registration

doi:10.1016/j.image.2026.117604

TGE: Trainable Graph Encoding for point cloud registration

2026-09-29

0

PRE

AI

DOI：10.1016/j.image.2026.117604

原文链接

原文求助

摘要

En 中文

随着工业4.0的出现，点云配准已成为包括协同缺陷检测和数字孪生组装在内的众多应用中的关键要素。本文提出了一种可训练的图编码（TGE），一种全面的配准模型，利用点云数据的固有空间结构。传统的点云配准方法存在收敛范围小、难以处理低重叠场景、固有几何信息丢失以及复杂3D结构保留能力减弱等局限性。相比之下，TGE基于推断的对应关系解决刚性旋转问题，从而提供了一种高效的点级策略。TGE将点云表示为三维图，节点捕获空间坐标和结构中心性。通过利用三维图结构信息增强的Transformer，TGE在鲁棒关键点匹配方面表现出色。特别地，超点特征被整合为注意力层的可学习嵌入，从而编码更详细的几何先验信息。此外，TGE的架构设计使其具备未来扩展至非刚性配准任务的可能性。广泛的评估表明，TGE在多个数据集上是一种主导方法。值得注意的是，与基线相比，它在配准召回率上实现了显著提升，在3DMatch和3DLoMatch数据集上的增益分别为2%和4.3%。这些结果强化了TGE作为缺陷检测和实现其他3D配准应用的鲁棒工具的有效性。

Keyword:

Point cloud registration

Graph encoding

Transformer

Defect detection

TGE: Trainable Graph Encoding for point cloud registration

摘要

期刊

机构

引用论文