1.一种重叠掩码优化由粗到精的点云自动配准方法，其特征在于，该方法包括以下步骤：S1，获取室内场景的三维点云数据，在KPConv编码层中，通过核点引导的局部特征聚合机制与下采样操作，提取粗尺度的超点视觉特征；

S2，引入位置感知注意力模块，在超点特征中注入位置信息，为后续的注意力机制提供几何约束；通过自注意力与交叉注意力操作，自适应融合超点的局部几何特征与全局上下文信息，从而有效增强超点特征的表达能力；

S3，将增强后的超点特征输入至超点重叠预测网络，通过多层卷积生成重叠掩码并剔除非重叠区域；在此基础上，利用保留的重叠超点构建相似度矩阵，并结合样本纠偏损失函数进行优化，基于此建立粗尺度上的超点对应关系；

S4，在KPConv网络解码层中，通过最邻近插值和上采样操作得到精尺度的点云视觉特征，再结合最邻近超点分组策略，将超点对应扩展至局部点云块对应；

S5，在密度自适应机制的引导下，基于局部点云块之间的匹配关系构建精尺度点对应集合；在此基础上，通过RANSAC算法估计源点云与目标点云之间的刚性变换参数，实现室内场景点云的自动配准。

2.根据权利要求1所述的重叠掩码优化由粗到精的点云自动配准方法，其特征在于，在步骤S1中，所述在KPConv编码层中，通过核点引导的局部特征聚合机制与下采样操作，提取粗尺度的超点视觉特征：利用KPConv网络的编码层将获取的室内场景的源点云超点 和目标点云超点 下采样至分布均匀超点 和 ，并学习相关的视觉特征 和 ；将下采样后的 和 输入至位置编码网络；

其中， 均为输入的原始的源点云超点和目标点云超点， 为实数集， 为中包含的点云的数量， 为源点云超点，目标点云超点； 表示超点的数量，为每一个超点特征的维度， 为下采样后的超点的视觉特征。

3.根据权利要求1所述的重叠掩码优化由粗到精的点云自动配准方法，其特征在于，在步骤S2中，引入位置感知注意力模块，在超点特征中注入位置信息，为后续的注意力机制提供几何约束，包括：计算输入源点云超点和目标点云超点 的质心 和

，通过去中心化操作消除源点云、目标点云的整体空间偏移；使用位置编码网络将源点云位置信息、目标点云位置信息均映射至高维特征空间，并与原有的特征进行融合，得到包含位置感知能力的源点云超点特征 和包含位置感知能力的目标点云超点特征 ；

和 由如下表达式生成：

（1）

（2）

式中， 为位置编码函数，“ ”为特征融合操作。

4.根据权利要求1所述的重叠掩码优化由粗到精的点云自动配准方法，其特征在于，在步骤S2中，所述通过自注意力与交叉注意力操作，自适应融合超点的局部几何特征与全局上下文信息，从而有效增强超点特征的表达能力，包括：所述自注意力和交叉注意力操作采用多头注意力，所述多头注意力包括：（3）

（4）

式中， 为多头注意力机制的输出， 为将多个向量按维度拼接，为第 个注意力头的计算结果， 为标准的单头注意力机制的输出， 为注意力机 制中的查 询、键和值 ， 为 线性变换 矩阵， ，为每个注意力头的投影矩阵，为头数，为输入特征的维度，

为单个注意力头要处理的维度； ，每个注意力头均采用单头点积注意力，表达式为：（5）

式中， 为归一化函数，用于将查询和键的相似度转化为注意力权重，进而对值 进行加权， 为键 的转置；

进行自注意力处理时， 设置为同一个点云的特征，在源点云和目标点云中分别设置为： 和 ；在进行交叉注意力处理时， 设置为不同的点云的特征，在源点云和目标点云中分别设置为： 和

。

5.根据权利要求1所述的重叠掩码优化由粗到精的点云自动配准方法，其特征在于，在步骤S2中，所述增强超点特征的表达能力，还包括：通过多层感知器MLP将原始特征 和注意力结果 融合，表达式为：（6）

式中，为融合后的特征， 为多层感知器， 为将多个向量按维度拼接，为输入的原始特征，为经过注意力机制处理后的特征。

6.根据权利要求1所述的重叠掩码优化由粗到精的点云自动配准方法，其特征在于，在步骤S3中，所述将增强后的超点特征输入至超点重叠预测网络，通过多层卷积生成重叠掩码并剔除非重叠区域；在此基础上，利用保留的重叠超点构建相似度矩阵，并结合样本纠偏损失函数进行优化，基于此建立粗尺度上的超点对应关系包括：基于重叠掩码的超点匹配模块的主干网络由4层一维卷积层和 激活函数组成，对于每一层，使用卷积核进行逐点卷积操作，之后进行组归一化，除最后一层外，在每层卷积层后使用 激活函数进行非线性变换；基于重叠掩码的超点匹配模块在最后一层输出对每一个超点的逐点特征由公式（7）进行处理：（7）

式中， 为网络中的卷积操作， 为经过前一层处理后的超点特征，当 时表示输入的超点特征 ， 为网络最后一层输出的源点云中超点的分类结果，包含超点属于重叠点和非重叠点的概率；

对目标点云超点特征 进行同样的操作得到分类结果 ；

对 和 进行处理生成有关超点的重叠掩码，选择每个点的类别，包括：（8）

（9）

式中， 为 操作， 和 分别为源点云和目标点云的重叠掩码，每个掩码元素取值为0或1；

对 ， 应用掩码 和 ，仅保留位于重叠区域内的特征，进行掩码筛选，获得掩码后的源点云超点特征 和掩码后的目标点云超点特征 ；

利用 和 构建超点特征间的相似度矩阵 ，以量化超点之间的相似性关系，并结合Sinkhorn算法对相似度矩阵 进行最优运输迭代优化，同时借助样本纠偏损失函数以缓解样本不平衡问题；所述Sinkhorn算法通过对相似度矩阵 中的行列进行正则化操作，并不断的迭代优化 ，得到超点之间的最佳匹配，基于优化后的相似度矩阵 ，生成粗匹配阶段的超点对应关系集 。

7.根据权利要求6所述的重叠掩码优化由粗到精的点云自动配准方法，其特征在于，针对超点的相似度矩阵 ，将 划分为置信度偏离区域和置信度匹配区域以区分模型在预测中的表现偏差；其中，置信度偏离区域反映模型预测结果与真实匹配存在显著差异，易被忽视但具有较强的监督价值，被视为正样本；而置信度匹配区域则对应模型预测准确度较高的区域，被视为负样本；样本纠偏损失函数包括局部点云真实匹配损失Ture Loss和局部点云匹配偏离纠正损失Correct Loss，表示为：（10）

式中，为样本纠偏损失函数， 为局部点云真实匹配损失Ture Loss， 为局部点云匹配偏离纠正损失Correct Loss；

Ture Loss和Correct Loss均适用于局部点云样本不平衡，仅使用Ture Loss使局部点云块匹配不稳定，加入Correct Loss用于辅助匹配；

1 Loss 用于强化模型对真实匹配点对的识别能力，定义为：（11）

其中：

（12）

式中，，均为控制样本权重的超参数，默认为 ，为概率，为节点；

Correct Loss 则侧重于对模型预测偏离的区域进行补偿和优化，定义为：（13）

其中， 为置信度偏离值，为置信度匹配值，二者共同参与损失的正则化调整。

8.根据权利要求1所述的重叠掩码优化由粗到精的点云自动配准方法，其特征在于，在步骤S4中，KPConv网络解码层通过最邻近插值和上采样操作得到精尺度的点云视觉特征，再结合最邻近超点分组策略，将超点对应扩展至局部点云块对应，包括：获取超点的对应关系集 后，通过最邻近超点分组策略（以下称为point‑to‑node分组策略），将超点对应关系 扩展为每对局部点云块之间的对应关系，并在局部范围内匹配两个局部点云块中较小规模的点云，以提取点级对应关系；对于任一个超点 ，point‑to‑node的分组过程由公式（14）实现：（14）

式中， 为欧氏距离，为每一个待分配的点云， 和 分别为分组后与超点相关的精尺度上的点集和视觉特征， 为要分配给的第 个超点， 为要分配给的第 个超点，为每一个待分配的特征。

9.根据权利要求1所述的重叠掩码优化由粗到精的点云自动配准方法，其特征在于，在步骤S5中，在密度自适应机制的引导下，基于局部点云块之间的匹配关系构建精尺度点对应集合；在此基础上，通过RANSAC算法估计源点云与目标点云之间的刚性变换参数，实现室内场景点云的自动配准包括：采用密度自适应机制计算每对局部点云块的相似度矩阵，密度自适应机制将因重复采样而造成无效点标记为无穷小负值，通过最优传输和迭代优化消除无效点间的匹配，生成点级相似度矩阵 ；使用 作为候选匹配的置信度矩阵，通过选择置信度分数较高的点对得到最终的点对应关系 ；RANSAC算法通过随机采样 中的点对应关系来估计刚性变换参数，并基于这些估计的变换计算局部内点的数量，选择局内点最多的刚性变换参数作为最优解，完成室内场景点云的自动配准。

10.一种重叠掩码优化由粗到精的点云自动配准系统，其特征在于，该系统实施如权利要求1‑9任意一项所述重叠掩码优化由粗到精的点云自动配准方法，该系统包括：视觉特征获取模块，用于获取室内场景的三维点云数据，所述三维点云数据包括源点云和目标点云；将所述源点云、目标点云分别下采样至均匀分布的超点，并学习相关的视觉特征；

位置感知注意力模块，用于在超点特征中显式注入位置信息，使特征在语义表达的同时具备几何敏感性，为后续注意力机制提供几何约束；随后，利用自注意力机制挖掘超点内部特征之间的关联性，强化局部几何的表达能力，同时结合交叉注意力机制实现不同点云之间上下文特征交互；通过该过程，联合建模局部几何结构与全局关系，从而显著提升超点特征的判别性；

重叠掩码生成模块，用于对增强后的超点特征进行重叠判断，并滤除位于非重叠区域的超点，基于保留的重叠区域超点生成粗匹配阶段的超点对应关系集；

超点对应关系集细化以及刚性变换参数估计模块，用于将超点对应关系集利用密度自适应机制细化为点对应关系集；基于所述点对应关系集进一步估计源点云和目标点云之间的刚性变换参数，完成室内场景点云的自动配准。