본 논문은 원격 센싱이나 디지털 헤리티지 분야의 3D 재구축에서 다수의 지역적 점 구름의 3D 정렬 일관성을 보장하는 데 중요한 점 구름 레지스트레이션 문제를 다룬다. 기존의 학습 기반 및 비학습 기반 방법들은 점 방향과 점 불확실성을 무시하여 노이즈가 많은 입력이나 직교 변환과 같은 공격적인 회전 변환에 취약하며, 따라서 변환 증강을 포함한 광범위한 학습 점 구름이 필요하다. 이러한 문제를 해결하기 위해, 본 논문은 서펠(surfel) 기반 자세 학습 회귀 접근 방식을 제안한다. 제안된 방법은 Lidar 점 구름으로부터 가상 원근 카메라 매개변수를 사용하여 서펠을 초기화하고, SE(3) 등변 합성곱 커널을 통해 위치와 회전을 모두 포함하는 명시적인 SE(3) 등변 특징을 학습하여 소스와 타겟 스캔 간의 상대적 변환을 예측한다. 모델은 등변 합성곱 인코더, 유사도 계산을 위한 교차 어텐션 메커니즘, 완전 연결 디코더, 그리고 비선형 Huber 손실로 구성된다. 실내 및 실외 데이터셋에 대한 실험 결과는 최첨단 방법에 비해 제안된 모델의 우수성과 실제 점 구름 스캔에 대한 강건한 성능을 보여준다.
