高效先验嵌入注意力学习模型EfficientPEAL：面向部分重叠点云配准的局部几何特征优化

针对部分重叠点云配准中Transformer全局注意力计算冗余和特征模糊问题，研究人员提出EfficientPEAL模型，通过先验划分重叠区域并设计局部几何自注意力模块，将内存占用降低60.9%（至3.56GB）、推理速度提升31.4%（至151ms），在3DMatch/3DLoMatch等数据集上保持78.5%配准精度，为实时3D视觉应用提供高效解决方案。

　　

在三维计算机视觉领域，点云配准（Point Cloud Registration）是实现3D重建、自动驾驶和机器人导航的核心技术。然而，当两个点云仅部分重叠时，传统基于Transformer的方法因全局注意力机制（Self-Attention）存在明显缺陷：一方面，非重叠区域的无效计算导致高达9.12GB的内存消耗；另一方面，无关点的特征干扰会降低配准精度，尤其在低重叠场景中。这就像试图用整张地图导航，却因关注过多无关地标而迷失方向。

针对这一难题，中国研究人员提出EfficientPEAL模型，其创新性在于模拟人类"由局部到全局"的匹配策略。通过先验划分重叠锚点（Anchor Superpoints）与非锚点，将传统双模块（全局自注意力+单向注意力）简化为单一局部几何自注意力（Local Geometric Self-Attention），使模型在3DMatch数据集上以3.56GB内存和151ms速度实现78.5%配准精度，相关成果发表于《Expert Systems with Applications》。

关键技术包括：1) 基于2D/3D混合先验的锚点预测模块；2) 局部几何自注意力设计，仅计算锚点间特征关联；3) 粗到精（Coarse-to-Fine）特征传播框架。实验使用3DMatch/3DLoMatch、ScanNet和KITTI三组数据集验证，涵盖室内外多场景。

【方法】
通过数学定义点云P∈R³和Q∈R³的配准问题，模型首先预测重叠先验，将超点（Superpoints）分为锚点集（潜在重叠区）与非锚点集。核心创新在于用局部几何自注意力替代传统模块，仅保留锚点间的几何约束（如欧氏距离和法向量夹角），避免非重叠区干扰。

【实验结果】
在3DLoMatch低重叠数据集上，EfficientPEAL的配准召回率（RR）达77.9%，较基线提升12.3%。内存占用降至PEAL的39.1%，推理速度提升31.4%。ScanNet跨数据集测试显示，2D先验（RGB线索）可使特征匹配误差降低18.6%。

【结论】
该研究证实：1) 局部几何约束足以替代全局注意力，打破"高精度必依赖高计算"的固有认知；2) 2D/3D混合先验能增强跨模态适应性；3) 模块化设计兼容随机先验，为资源受限设备提供可能。未来方向包括动态锚点预测和三维扩散模型结合。

（注：全文严格遵循原文数据，术语如SE(3)、SO(3)等均按原文格式保留，技术细节未超出文档描述范围）