鲁棒的点集配准和合并的自适应数据表示
本文提出了一种新的基于分层高斯混合模型 (GMM) 表征的分层多尺度点云数据表示方法，采用 GPU 并行处理计算数据分割，通过动态选择细节程度和空间分布特征来实现以上 3D 感知问题的数据关联；与之前的点云最近点迭代算法和基于 GMM 技术的算法相比，在保证 MLE 准确的前提下，实现了对数级时间的高效数据关联，能够更快速准确地处理多种类型的 3D 数据集。
Jul, 2018
引入了 DeepGMR 算法，该算法是首个显式利用概率注册范例的基于学习的点云配准方法，利用混合高斯模型模拟两点云之间的概率分布，通过神经网络和两个可微计算块进行配准，从而实现产生全局注册方法的目的。该方法在合成和真实数据上均表现出比几何和基于学习的配准方法更好的性能。
Aug, 2020
本研究利用基于期望最大化的框架最小化 KL 距离，构建点云场景的潜在概率分布模型，使其能够适应密度变化，并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法，而无需重新采样。
Apr, 2018
该论文介绍了一种受无监督聚类分析启发的新型非刚性点集配准方法，通过聚类中心和聚类成员分别将源点集和目标点集表述为一个整体框架，并采用带有 Ι₁- 诱导 Laplacian 核的 Tikhonov 正则化来确保平滑而更强健的位移场，在保证封闭形式解、理论保证、与维度无关以及处理大形变的能力的同时，引入了改进的聚类 Nyström 方法来有效减少计算复杂度和 Gram 矩阵的存储，同时为低秩逼近提供了严格的界限。我们的方法在各种场景中实现了高精度的结果，并在具有显著形变的形状上明显超过竞争对手，在形状转换和医学配准等具有挑战性的任务中展现了方法的多功能性。
Jun, 2024
介绍了一种新的概率方法，称为相干点漂移算法（CPD），它适用于刚性和非刚性点集注册，解决了点集注册中的多个因素，包括未知的非刚性空间变换，点集的大维度，噪声和异常值。同时，测试结果表明，CPD 算法具有较高的精度，超过当前最先进的方法。
May, 2009
本文提出了一种基于学习的方法 Deep Closest Point，用于点云配准问题，通过点云嵌入网络、基于注意力机制的组合匹配模块和可微分的奇异值分解层，实现最终的刚性变换。实验证明该方法优于传统算法 Iterative Closest Point 及其变种，以及最近提出的基于学习的方法 PointNetLK，同时能有效迁移学到的特征。
May, 2019
本篇文章提出了基于最大期望算法的多视角点集注册方法，通过利用高斯混合模型描述点云数据分布并定义最大似然估计函数，实现了高精度、高鲁棒性、高效率的点云多视角重建。
Feb, 2020
本研究提出了一种新的概率点集配准方法，采用有效的概率公式解决了最大似然估计问题，通过 E-M 算法和高斯滤波方法实现更快的计算性能，适用于关节和可变形目标，优于其他竞争基线。
Nov, 2018
提出了一种名为 UDPReg 的无监督深度概率点云配准框架，使用 GMM 的后验概率分布、Sinkhorn 算法和三种分布一致性损失函数来解决点云配准中的部分重叠和标记数据问题，并且在多项基准测试中实现了竞争性的性能表现。
Mar, 2023