Point cloud registration network with dual-branch multi-level feature fusion

doi:10.11772/j.issn.1001-9081.2025070887

Journal of Computer Applications ›› 2026, Vol. 46 ›› Issue (8): 2584-2593.DOI: 10.11772/j.issn.1001-9081.2025070887

• Multimedia computing and computer simulation • Previous Articles Next Articles

Point cloud registration network with dual-branch multi-level feature fusion

Ming LIU¹^,², Dongqi SHEN¹^,²(), Ziyang MENG¹^,²

^1.School of Electrical and Information Engineering，Yunnan Minzu University，Kunming Yunnan 650504，China
^2.Yunnan Province Key Laboratory of Unmanned Autonomous Systems （Yunnan Minzu University），Kunming Yunnan 650504，China

Received:2025-08-04 Revised:2025-09-29 Accepted:2025-10-10 Online:2025-11-05 Published:2026-08-10
Contact: Dongqi SHEN
About author:LIU Ming， born in 1973， Ph. D.， research fellow. His research interests include automatic control and navigation， robot SLAM algorithms.
MENG Ziyang， born in 2000， M. S. candidate. His research interests include SLAM algorithms.
Supported by:
National Natural Science Foundation of China(52061042)

双分支结构下多层次特征融合的点云配准网络

刘明¹^,², 沈东奇¹^,²(), 孟子洋¹^,²

^1.云南民族大学电气信息工程学院，昆明 650504
^2.云南省无人自主系统重点实验室（云南民族大学），昆明 650504

通讯作者: 沈东奇
作者简介:刘明（1973—），男，云南曲靖人，研究员，博士，主要研究方向：自动控制与导航、机器人SLAM算法
沈东奇（1998—），男，山东淄博人，硕士研究生，CCF会员，主要研究方向：激光SLAM算法、点云配准算法
孟子洋（2000—），男，山东青岛人，硕士研究生，主要研究方向：SLAM算法。
基金资助:
国家自然科学基金资助项目(52061042)

Abstract

Abstract:

A point cloud registration network with dual-branch multi-level feature fusion， DMFNet （Dual-branch Multi-level Feature Fusion Network）， was proposed to address poor registration accuracy and insufficient robustness problems in point cloud registration caused by partial overlapping， occlusion， and noise interference. In the network， during the encoding stage， a rotation branch and a translation branch were configured in parallel， and self-attention fusion as well as cross-attention fusion modules were inserted at shallow， middle， and deep layers， so as to achieve multi-scale feature interaction and deep fusion between source and reference point clouds. At the same time， a rotation-translation feature fusion module was designed to strengthen pose estimation capability. During the regression stage， based on the lightweight Set Transformer regressor， multi-layer induced-attention blocks and an attention-pooling module were used to regress the quaternion and the translation vector directly. DMFNet does not rely on overlap-region detection or explicit mask estimation， and it shows strong adaptability and generalization. Comparative experiments with six point cloud registration methods were conducted on the ModelNet40 dataset， and a generalization study was carried out on the Stanford 3D scanning dataset. The results show that on the ModelNet40 dataset under noisy conditions and two-time sampling， DMFNet reduces RMSE（t） and Error（R） by 21.32% and 14.47% compared with MAximum Clique-based registration （MAC） method， respectively， and demonstrates superior robustness and registration accuracy.

Key words: deep learning, point cloud registration, 3D point cloud, feature fusion, attention mechanism

摘要：

针对点云配准中因部分重叠、遮挡与噪声干扰导致的配准精度差与鲁棒性不足的问题，提出一种双分支结构下的多层次特征融合的点云配准网络DMFNet（Dual-branch Multi-level Feature Fusion Network）。该网络在编码阶段并行设置旋转分支与平移分支，并在浅层、中层与深层分别引入自注意力融合与交叉注意力融合模块，从而实现源点云与参考点云之间的多尺度特征交互与深度融合，同时，设计了旋转与平移特征融合模块以增强姿态估计能力；在回归阶段基于轻量级Set Transformer回归器，采用多层诱导注意力块与注意力池化模块来直接回归四元数与平移向量。DMFNet不依赖重叠区域的检测或显式掩码估计，具备更强的适应性与泛化能力。在ModelNet40数据集上与6种点云配准方法进行对比实验，并在斯坦福3D扫描数据集进行泛化能力实验。实验结果表明，在ModelNet40数据集上添加噪声的情况下二次采样，相较于最大极大团配准（MAC）方法，DMFNet在RMSE（t）和Error（R）指标上分别降低了21.32%和14.47%，展现出更优的鲁棒性与配准精度。

关键词: 深度学习, 点云配准, 三维点云, 特征融合, 注意力机制

CLC Number:

TP391.41

Ming LIU, Dongqi SHEN, Ziyang MENG. Point cloud registration network with dual-branch multi-level feature fusion[J]. Journal of Computer Applications, 2026, 46(8): 2584-2593.

刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.

Figures/Tables 15

References 32

[1]	Chen X， Ma H， Wan J， et al. Multi-view 3D object detection network for autonomous driving［C］// CVPR 2017. Piscataway： IEEE， 2017： 6526-6534.
[2]	Geiger A， Lenz P， Urtasun R. Are we ready for autonomous driving？ the KITTI vision benchmark suite［C］// CVPR 2012. Piscataway： IEEE， 2012： 3354-3361.
[3]	Yurtsever E， Lambert J， Carballo A， et al. A survey of autonomous driving： common practices and emerging technologies ［J］. IEEE Access， 2020， 8： 58443-58469.
[4]	单明亮，叶俊，严鹏，等. MSC-Net：基于多尺度一致性的点云配准网络［J］. 激光与光电子学进展， 2025， 62（14）： No.1428003.
	Shan Mingliang， Ye Jun， Yan Peng， et al. MSC-Net： multi-scale coherence-based point cloud registration network［J］. Laser and Optoelectronics Progress， 2025， 62（14）： No.1428003.
[5]	谭耀昌，杨俊伟，李昆洋，等. 基于角度约束和极大团的点云配准算法［J］. 激光与光电子学进展， 2025， 62（12）： No.1215012.
	Tan Yaochang， Yang Junwei， Li Kunyang， et al. Point cloud registration algorithm based on angle constraint and maximal clique［J］. Laser and Optoelectronics Progress， 2025， 62（12）： No.1215012.
[6]	Izadinia H， Seitz S M. Scene recomposition by learning-based ICP［C］// CVPR 2020. Piscataway： IEEE， 2020： 927-936.
[7]	Rusinkiewicz S， Levoy M. Efficient variants of the ICP algorithm［C］// 3DIM 2001. Piscataway： IEEE， 2001： 145-152.
[8]	Yang J， Li H， Campbell D， et al. Go-ICP： a globally optimal solution to 3D ICP point-set registration［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2016， 38（11）： 2241-2254.
[9]	Wang Y， Sun Y， Liu Z， et al. Dynamic graph CNN for learning on point clouds［J］. ACM Transactions on Graphics， 2019， 38（5）： No.146.
[10]	Aoki Y， Goforth H， Srivatsan R A， et al. PointNetLK： robust and efficient point cloud registration using PointNet［C］// CVPR 2019. Piscataway： IEEE， 2019： 7156-7165.
[11]	Qi C R， Su H， Mo K， et al. PointNet： deep learning on point sets for 3D classification and segmentation［C］// CVPR 2017. Piscataway： IEEE， 2017： 77-85.
[12]	Yuan W， Eckart B， Kim K， et al. DeepGMR： learning latent gaussian mixture models for registration［C］// ECCV 2020， LNCS 12350. Cham： Springer， 2020： 733-750.
[13]	秦庭威，赵鹏程，秦品乐，等. 基于残差注意力机制的点云配准算法［J］. 计算机应用， 2022， 42（7）： 2184-2191.
	Qin Tingwei， Zhao Pengcheng， Qin Pinle， et al. Point cloud registration algorithm based on residual attention mechanism［J］. Journal of Computer Applications， 2022， 42（7）： 2184-2191.
[14]	梁杰涛，罗兵，付兰慧，等. 基于坐标几何采样的点云配准方法［J］. 计算机应用， 2025， 45（1）： 214-222.
	Liang Jietao， Luo Bing， Fu Lanhui， et al. Point cloud registration method based on coordinate geometric sampling［J］. Journal of Computer Applications， 2025， 45（1）： 214-222.
[15]	Yew Z J， Lee G H. RPM-Net： robust point matching using learned features［C］// CVPR 2020. Piscataway： IEEE， 2020： 11821-11830.
[16]	Sarode V， Li X， Goforth H， et al. PCRNet： point cloud registration network using PointNet encoding［PP/OL］. V2. arXiv （2019-11-04）［2025-09-22］..
[17]	Wang Y， Solomon J. PRNet： self-supervised learning for partial-to-partial registration［C］// NeurIPS 2019. Red Hook： Curran Associates Inc.， 2019： 8714-8826.
[18]	Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need［C］// NeurIPS 2017. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
[19]	Mei G， Tang H， Huang X， et al. Unsupervised deep probabilistic approach for partial point cloud registration［C］// CVPR 2023. Piscataway： IEEE， 2023： 13611-13620.
[20]	Wang Y， Solomon J. Deep closest point： learning representations for point cloud registration［C］// ICCV 2019. Piscataway： IEEE， 2019： 3522-3531.
[21]	Shi C， Chen X， Huang K， et al. Keypoint matching for point cloud registration using multiplex dynamic graph attention networks［J］. IEEE Robotics and Automation Letters， 2021， 6（4）： 8221-8228.
[22]	Fu K， Liu S， Luo X， et al. Robust point cloud registration framework based on deep graph matching［C］// CVPR 2021. Piscataway： IEEE， 2021： 8889-8898.
[23]	Yew Z J， Lee G H. REGTR： end-to-end point cloud correspondences with Transformers［C］// CVPR 2022. Piscataway： IEEE， 2022： 6667-6676.
[24]	Zhang X， Yang J， Zhang S， et al. 3D registration with maximal cliques［C］// CVPR 2023. Piscataway： IEEE， 2023： 17745-17754.
[25]	喇孝伟，胡立华，胡建华，等. 融合位置编码和重叠掩模的低重叠点云配准网络［J］. 计算机应用， 2026， 46（2）： 536-545.
	Xiaowei La， Hu Lihua， Hu Jianwei， et al. Low-overlap point cloud registration network integrating position encoding and overlapping masks［J］. Journal of Computer Applications， 2026， 46（2）： 536-545.
[26]	Li Y， Bu R， Sun M， et al. PointCNN： convolution on X-transformed points［C］// NeurIPS 2018. Red Hook： Curran Associates Inc.， 2018： 828-838.
[27]	Xu H， Ye N， Liu G， et al. FINet： dual branches feature interaction for partial-to-partial point cloud registration［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2022， 36（3）： 2848-2856.
[28]	Woo S H， Park J， Lee J Y， et al. CBAM： convolutional block attention module［C］// ECCV 2018， LNCS 11211. Cham： Springer， 2018： 3-19.
[29]	Shoemake K. Animating rotation with quaternion curves［C］// SIGGRAPH 1985. New York： ACM， 1985： 245-254.
[30]	Kingma D P， Ba J L. Adam： a method for stochastic optimization［PP/OL］. V9. arXiv （2017-01-30）［2026-06-20］..
[31]	Wu Z， Song S， Khosla A， et al. 3D ShapeNets： a deep representation for volumetric shapes［C］// CVPR 2015. Piscataway： IEEE， 2015： 1912-1920.
[32]	Curless B， Levoy M. A volumetric method for building complex models from range images［C］// SIGGRAPH 1996. New York： ACM， 1996： 303-312.

方法	RMSE（R）		RMSE（t）		MAE（R）		MAE（t）		Error（R）		Error（t）
方法	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS
PointNetLK	22.666	26.354	0.235 8	0.263 1	14.062	19.256	0.161 1	0.168 9	28.359	36.265	0.341 2	0.359 5
DCP	12.315	12.356	0.069 9	0.086 9	9.135	8.956	0.056 2	0.058 3	7.754	9.165	0.102 8	0.134 2
RPMNet	1.356	2.247	0.022 5	0.027 6	0.729	1.165	0.008 5	0.014 2	1.446	2.256	0.019 1	0.031 1
RGM	3.511	4.977	0.040 4	0.048 9	1.301	1.810	0.014 1	0.019 5	2.506	3.523	0.029 1	0.039 1
OMNet	0.773	1.391	0.015 2	0.023 1	0.271	0.569	0.005 6	0.009 5	0.556	1.121	0.012 1	0.019 7
MAC	0.761	0.985	0.013 3	0.020 3	0.248	0.487	0.005 1	0.009 0	0.485	0.956	0.010 3	0.017 1
FINet	0.735	1.288	0.011 5	0.019 5	0.231	0.357	0.003 5	0.006 1	0.497	0.710	0.008 1	0.014 9
DMFNet	0.731	0.823	0.011 2	0.019 2	0.228	0.356	0.003 1	0.006 9	0.452	0.703	0.007 9	0.014 1

方法	RMSE（R）		RMSE（t）		MAE（R）		MAE（t）		Error（R）		Error（t）
方法	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS
PointNetLK	22.666	26.354	0.235 8	0.263 1	14.062	19.256	0.161 1	0.168 9	28.359	36.265	0.341 2	0.359 5
DCP	12.315	12.356	0.069 9	0.086 9	9.135	8.956	0.056 2	0.058 3	7.754	9.165	0.102 8	0.134 2
RPMNet	1.356	2.247	0.022 5	0.027 6	0.729	1.165	0.008 5	0.014 2	1.446	2.256	0.019 1	0.031 1
RGM	3.511	4.977	0.040 4	0.048 9	1.301	1.810	0.014 1	0.019 5	2.506	3.523	0.029 1	0.039 1
OMNet	0.773	1.391	0.015 2	0.023 1	0.271	0.569	0.005 6	0.009 5	0.556	1.121	0.012 1	0.019 7
MAC	0.761	0.985	0.013 3	0.020 3	0.248	0.487	0.005 1	0.009 0	0.485	0.956	0.010 3	0.017 1
FINet	0.735	1.288	0.011 5	0.019 5	0.231	0.357	0.003 5	0.006 1	0.497	0.710	0.008 1	0.014 9
DMFNet	0.731	0.823	0.011 2	0.019 2	0.228	0.356	0.003 1	0.006 9	0.452	0.703	0.007 9	0.014 1

方法	RMSE（R）		RMSE（t）		MAE（R）		MAE（t）		Error（R）		Error（t）
方法	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS
PointNetLK	26.911	45.265	0.252 5	0.356 2	18.658	28.456	0.175 3	0.231 5	36.748	53.514	0.367 5	0.461 2
DCP	13.521	12.956	0.082 5	0.111 2	10.221	9.512	0.059 6	0.075 1	12.543	11.212	0.122 5	0.151 1
RPM-Net	3.938	7.546	0.044 1	0.056 4	1.386	2.518	0.015 1	0.026 4	2.608	4.751	0.031 8	0.054 6
RGM	4.986	7.359	0.040 4	0.063 1	1.702	2.214	0.016 8	0.023 1	3.255	4.395	0.034 8	0.050 2
OMNet	3.722	4.164	0.040 3	0.042 2	1.327	1.702	0.016 1	0.018 1	2.666	3.258	0.033 0	0.038 8
MAC	3.624	4.561	0.036 8	0.038 4	1.275	1.538	0.014 9	0.016 8	2.586	2.914	0.031 2	0.036 6
FINet	3.641	4.123	0.036 4	0.041 1	1.287	1.421	0.013 5	0.015 7	2.514	2.697	0.029 4	0.036 3
DMFNet	3.361	3.845	0.032 9	0.034 1	1.251	1.395	0.012 8	0.015 5	2.462	2.687	0.028 8	0.033 0

方法	RMSE（R）		RMSE（t）		MAE（R）		MAE（t）		Error（R）		Error（t）
方法	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS
PointNetLK	26.911	45.265	0.252 5	0.356 2	18.658	28.456	0.175 3	0.231 5	36.748	53.514	0.367 5	0.461 2
DCP	13.521	12.956	0.082 5	0.111 2	10.221	9.512	0.059 6	0.075 1	12.543	11.212	0.122 5	0.151 1
RPM-Net	3.938	7.546	0.044 1	0.056 4	1.386	2.518	0.015 1	0.026 4	2.608	4.751	0.031 8	0.054 6
RGM	4.986	7.359	0.040 4	0.063 1	1.702	2.214	0.016 8	0.023 1	3.255	4.395	0.034 8	0.050 2
OMNet	3.722	4.164	0.040 3	0.042 2	1.327	1.702	0.016 1	0.018 1	2.666	3.258	0.033 0	0.038 8
MAC	3.624	4.561	0.036 8	0.038 4	1.275	1.538	0.014 9	0.016 8	2.586	2.914	0.031 2	0.036 6
FINet	3.641	4.123	0.036 4	0.041 1	1.287	1.421	0.013 5	0.015 7	2.514	2.697	0.029 4	0.036 3
DMFNet	3.361	3.845	0.032 9	0.034 1	1.251	1.395	0.012 8	0.015 5	2.462	2.687	0.028 8	0.033 0

方法	RMSE（R）		MAE（R）		RMSE（t）		MAE（t）		Error（R）		Error（t）
方法	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS	OS	TS
PointNetLK	25.482	28.654	19.299	21.456	0.256 2	0.256 2	0.186 6	0.195 4	37.699	42.564	0.385 5	0.395 6
DCP	13.956	12.546	10.256	9.852	0.079 8	0.101 2	0.061 5	0.078 4	12.021	12.425	0.125 6	0.154 5
RPMNet	4.117	6.212	1.589	2.412	0.047 1	0.064 2	0.018 1	0.028 6	2.985	4.985	0.038 8	0.054 6
RGM	5.968	6.452	2.459	3.123	0.057 9	0.065 4	0.025 0	0.031 2	4.769	6.523	0.051 6	0.062 3
OMNet	3.571	4.414	1.580	1.952	0.039 1	0.048 8	0.017 7	0.022 2	3.072	3.845	0.035 3	0.043 2
MAC	3.501	4.121	1.426	1.812	0.036 6	0.046 9	0.017 2	0.019 8	2.885	3.688	0.033 1	0.040 2
FINet	3.754	3.956	1.395	1.691	0.034 0	0.037 4	0.014 9	0.017 6	2.771	3.264	0.031 6	0.036 6
DMFNet	3.415	3.741	1.369	1.689	0.033 9	0.036 9	0.015 9	0.017 9	2.662	3.154	0.030 0	0.035 5

Point cloud registration network with dual-branch multi-level feature fusion

双分支结构下多层次特征融合的点云配准网络

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 15

References 32

Related Articles 15

Recommended Articles

Metrics

模型	RMSE（R）	RMSE（t）	MAE（R）	MAE（t）	Error（R）	Error（t）
Armadillo	1.445	0.008 8	0.438	0.011 1	1.322	0.009 5
Bunny	1.429	0.008 5	0.420	0.010 9	1.317	0.009 3

Branch	RMSE（R）	RMSE（t）	Error（R）	Error（t）
Single Branch	5.323	0.054 8	5.174	0.072 5
Dual Branches	5.135	0.052 2	4.943	0.071 1

[1]	Guanghui LI, Licheng QU. Dynamic dilated convolution and hierarchical local-global attention model based on improved Lite-Mono architecture [J]. Journal of Computer Applications, 2026, 46(8): 2567-2576.
[2]	Xiaojin GUO, Xuyang SUI, Kenan ZHOU. Channel estimation of STAR-RIS-assisted hybrid-field communication system based on deep learning [J]. Journal of Computer Applications, 2026, 46(8): 2548-2554.
[3]	Jing LIU, Shaoze ZHAO, Xingang LIU, Haozhe NIU, Haipeng JI. Cross-condition microstructure data generation method for titanium alloys based on improved CGAN [J]. Journal of Computer Applications, 2026, 46(7): 2373-2382.
[4]	Miaogen LING, Rui JING, Wei FANG. Survey of research on applications of explainable deep learning in tropical cyclone forecasting [J]. Journal of Computer Applications, 2026, 46(7): 2318-2326.
[5]	Jianqiang YAN, Beibei DONG, Boting QU, Chen PENG. Bi-directional diffusion dynamic graph convolutional network with multi-source information fusion and graph-level attention for traffic flow prediction [J]. Journal of Computer Applications, 2026, 46(7): 2327-2333.
[6]	Xiuli DU, Xing GAO, Xiaoyu ZHANG, Chengsheng PAN, Qijie ZOU. Video snapshot compressive imaging reconstruction method based on dense spatio-temporal deformable attention [J]. Journal of Computer Applications, 2026, 46(7): 2288-2296.
[7]	Guoyou ZHANG, Hongyu NIE, Lihu PAN, Rundong LEI. Point-MLPBLS： point cloud semantic segmentation network based on MLP cascaded broad learning system [J]. Journal of Computer Applications, 2026, 46(7): 2259-2266.
[8]	Xiangyi WU, Hailiang YE, Feilong CAO. Point cloud completion method based on smooth-sharpen graph convolution [J]. Journal of Computer Applications, 2026, 46(7): 2267-2276.
[9]	Wenling LIU, Yong LI, Jiahui LI, Houkang ZHANG. Unsupervised dehazing method for remote sensing images with non-uniform haze [J]. Journal of Computer Applications, 2026, 46(7): 2297-2306.
[10]	Jun QIN, Xintao JIAO, Biqing ZENG. Non-intrusive load monitoring method combining BiLSTM-Transformer and Kolmogorov-Arnold network [J]. Journal of Computer Applications, 2026, 46(6): 2026-2033.
[11]	Songhao ZHU, Zhiyun ZHAO, Mengling WANG. Low-light image enhancement network based on lightweight residual and brightness-aware dynamic feature fusion [J]. Journal of Computer Applications, 2026, 46(6): 1936-1946.
[12]	Chao LYU, Geyao MA. Lightweight human pose estimation network based on redundant feature suppression [J]. Journal of Computer Applications, 2026, 46(6): 1973-1980.
[13]	Jinxiao ZHANG, Chenglong LI, Xinyan GAO, Ming ZHANG. 3D human pose estimation model based on temporal-spatial feature pyramid network and multi-hypothesis interaction mechanism [J]. Journal of Computer Applications, 2026, 46(6): 1965-1972.
[14]	Yunping HE, Leichun WANG, Ruirui SONG, Xiangfeng LU, Jinxiang WEI, Xiaomeng LIU. Dual-channel multimodal sentiment analysis model based on contrast invariance and reinforcement specificity [J]. Journal of Computer Applications, 2026, 46(6): 1767-1775.
[15]	Liwan YAO, Hailong LIU, Zhangfan ZENG. Frequency-domain driven and diffusion-based fusion for sonar image enhancement algorithm [J]. Journal of Computer Applications, 2026, 46(6): 1947-1955.

序号	SRFM	SFFM	CFFM	RTFM	L_pose	L_triplet	L_dropout	RMSE（R）	RMSE（t）	Error（R）	Error（t）
1								5.135	0.052 2	4.943	0.071 1
2	√							4.911	0.049 8	4.661	0.068 6
3	√	√						4.394	0.046 2	4.134	0.057 6
4	√	√	√					3.965	0.040 9	3.435	0.045 1
5	√	√	√	√				3.518	0.036 2	2.913	0.036 5
6	√	√	√	√	√			3.484	0.035 7	2.806	0.034 8
7	√	√	√	√	√	√		3.429	0.034 8	2.701	0.031 5
8	√	√	√	√	√	√	√	3.415	0.033 9	2.662	0.030 0

序号	SRFM	SFFM	CFFM	RTFM	L_pose	L_triplet	L_dropout	RMSE（R）	RMSE（t）	Error（R）	Error（t）
1								5.135	0.052 2	4.943	0.071 1
2	√							4.911	0.049 8	4.661	0.068 6
3	√	√						4.394	0.046 2	4.134	0.057 6
4	√	√	√					3.965	0.040 9	3.435	0.045 1
5	√	√	√	√				3.518	0.036 2	2.913	0.036 5
6	√	√	√	√	√			3.484	0.035 7	2.806	0.034 8
7	√	√	√	√	√	√		3.429	0.034 8	2.701	0.031 5
8	√	√	√	√	√	√	√	3.415	0.033 9	2.662	0.030 0