Cet article aborde le problème de l'alignement des nuages de points, crucial pour garantir la cohérence de l'alignement 3D de multiples nuages de points locaux dans les applications de reconstruction 3D telles que la télédétection et le patrimoine numérique. Les méthodes existantes, basées ou non sur l'apprentissage, ignorent l'orientation et l'incertitude des points, ce qui les rend vulnérables aux entrées bruyantes et aux transformations rotationnelles agressives telles que les transformations orthogonales. Par conséquent, des nuages de points d'apprentissage approfondis, incluant une augmentation de la translation, sont nécessaires. Pour résoudre ces problèmes, cet article propose une approche de régression par apprentissage de pose basée sur le surfel. La méthode proposée initialise le surfel à l'aide des paramètres de caméra perspective virtuelle des nuages de points Lidar et apprend des caractéristiques équilatérales SE(3) explicites qui capturent à la fois la position et la rotation via des noyaux de convolution équilatéraux SE(3) afin de prédire la translation relative entre les scans source et cible. Le modèle comprend un encodeur à convolution équilatérale, un mécanisme d'attention croisée pour le calcul de similarité, un décodeur entièrement connecté et une perte de Huber non linéaire. Les résultats expérimentaux sur des ensembles de données intérieurs et extérieurs démontrent la supériorité du modèle proposé par rapport aux méthodes de pointe et sa robustesse sur les analyses de nuages de points réels.
