En los últimos años, debido a la amplia aplicación de la visión 3D en los campos de la conducción autónoma, la navegación de robots y la protección del patrimonio cultural, el registro de nubes de puntos en 3D ha recibido mucha atención. Sin embargo, la mayoría de los métodos actuales son lentos y muy sensibles a ruidos y valores atípicos, lo que resulta en una baja precisión de registro. Por lo tanto, proponemos un marco de dos etapas basado en redes neuronales gráficas y Attention-TSGANet, que es efectivo en el registro de pares de nubes de puntos con baja superposición y es robusto ante ruidos variables y valores atípicos. Nuestro método descompone la estimación de la transformación rígida en dos etapas: estimación global y ajuste fino. En la etapa de estimación global, se emplean perceptrones multicapa para estimar un vector de siete dimensiones que representa la transformación rígida directamente a partir de la fusión de dos características iniciales de nubes de puntos. Para la etapa de ajuste fino, extraemos información contextual a través de una red neuronal gráfica atencional que consta de módulos de atención y mejora de características. También se propone y aplica un mecanismo de supresión de desajustes para mantener nuestro método robusto ante datos parcialmente visibles con ruidos y valores atípicos. Los experimentos muestran que nuestro método produce un rendimiento de vanguardia en el conjunto de datos ModelNet40.