该研究介绍了一种通过鲁棒性目标函数和全局搜索策略来在混合模型中对 2D-3D 对应关系进行估计，进而实现准确摄像机姿态获取的方法，并且在经过综合评估后证明该算法在处理具有挑战性的真实和合成数据集方面，优于现有方法，可靠地收敛到全局最优解。

Dec, 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

提出了一种半监督生成模型 SeGMA，它是在典型的 Wasserstein 自编码器框架中实现的，可以有效地进行优化，并在标准基准数据集上达到至少与其半监督前身同样好的生成性能。

Jun, 2019

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

该论文介绍了一种名为 t-GRASTA 的算法，可以同时对一组图像进行低秩子空间、稀疏部分以及旋转或平移等变换的分解。与现有算法相比，t-GRASTA 具有更快的速度，更少的内存需求，并能够有效处理人脸图像和实时监控图像的对准问题，因此适用于大规模图像数据处理。

Jun, 2013

本文提出了一种用高斯混合模型来处理 3D 点云配准问题的算法，能够更好地估计注册参数，并可以用于重建表面。

Sep, 2016

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

本文提出了一个新的距离度量方法，可以比较两个连续概率密度函数。主要优点是能够为高阶高斯混合模型提供解析闭合形式表达式，从而满足所有度量特性，这种特性在现实信号处理应用中非常有用。为解决 Gaussian 混合模型压缩问题，本文提出了一种基于优化的贪心算法 OGGMR，该算法使用了作者提出的度量作为准则，可以用低阶高斯模型逼近高阶的高斯混合模型，同时保留了原始混合模型的几何形状。实验结果表明，OGGMR 算法比其他同类算法更快更有效。

Jun, 2023

本文提出了一种被称为 Go-ICP 的全局最优算法，它基于分支定界结构搜索整个 3D 运动空间 SE (3)，并且集成了局部 ICP 以提高速度，保证全局最优性，可以用于解决初始位置不佳及需要最优解决的场景。

May, 2016

该论文提出了一种将高斯混合模型直接拟合于三角网格的新方法，这可提高几何目标的似然性评估，并产生更高质量的 GMMs 以及对于网格和 RGB-D 框架的 3D 配准，该方法具有普适性。

Apr, 2019