El registro de nube de puntos es una de las tareas fundamentales en visión por computadora, pero enfrenta desafíos en condiciones de baja superposición. Enfoques recientes utilizan transformadores y máscaras superpuestas para mejorar la percepción, pero el aprendizaje de máscaras solo considera distancias euclídeas entre características, ignora desajustes causados por estructuras geométricas difusas y a menudo es computacionalmente ineficiente. Para abordar estos problemas, presentamos un nuevo marco de coincidencia. En primer lugar, fusionamos la convolución gráfica adaptativa con características PPF para obtener una percepción de características ricas. Posteriormente, construimos un marco PGT que utiliza GeoTransformer y lo combina con la codificación de información de ubicación para mejorar la percepción de la geometría entre nubes fuente y objetivo. Además, mejoramos la visibilidad de las regiones superpuestas a través del intercambio de información y el módulo AIS, con el objetivo de extraer puntos clave subsiguientes, preservando puntos con estructuras geométricas distintas y suprimiendo la influencia de regiones no superpuestas para mejorar la eficiencia computacional. Finalmente, la máscara se refina a través del aprendizaje de contraste para preservar la similitud geométrica y de distancia, lo que ayuda a calcular los parámetros de transformación de manera más precisa. Hemos realizado experimentos exhaustivos en conjuntos de datos de escenas sintéticas y del mundo real, demostrando un rendimiento de registro superior en comparación con los métodos de aprendizaje profundo recientes. Nuestro enfoque muestra mejoras notables del 68.21% en y 76.31% en en datos sintéticos, al mismo tiempo que destaca en escenarios del mundo real con mejoras del 76.46% en y 45.16% en .