基于扩散变换生成和图等变编码的跨域点云配准方法

本发明公开了一种基于扩散模型和图等变的跨域点云配准方法，旨在改善深度学习预训练模型在不同数据集之间的泛化性能。该方法包括以下步骤：首先，采用扩散模型的原理构建代理变换矩阵，适应不同空间分布，以减少对特定数据分布的依赖；其次，设计图等变编码模块，在欧式空间下通过图神经网络对点云数据进行特征提取，该模块不依赖全局空间位置，可缓解扩散模型引入的噪声干扰，提升算法的稳定性和准确性；最后，实施重叠区域对比学习，增强模型对复杂变换的适应能力。本发明的配准算法不仅具有高精度，还显示出优秀的鲁棒性和泛化能力。