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

本文提出了一种快速并具有鲁棒性的 Iterative Closest Point 方法，通过将点对点 ICP 视为主性 - 最小化算法，并采用 Anderson 加速方法加速其收敛速度并引入基于 Welsch 函数的鲁棒误差度量。在具有噪声和部分重叠的数据集上，我们实现了与稀疏 ICP 相似或更好的准确性，而速度至少快一个数量级。最后，我们将鲁棒的形式扩展到了点对平面 ICP，并使用类似的 Anderson 加速 MM 策略解决了相应的问题。

Jul, 2020

该研究论文介绍了 CoFiI2P，一种新颖的图像到点云注册网络，通过层次化特征提取和鲁棒特征对应的建立，以获得全局最优解决方案，并在 KITTI 数据集上展示了相对旋转误差（RRE）为 2.25 度和相对平移误差（RTE）为 0.61 米的显著提升。

Sep, 2023

本研究提出 PointDSC，一个基于深度学习的神经网络，在点云配准中明确地引入空间一致性，通过非局部特征聚合模块和可微分谱匹配模块进行同型剪枝，实现对离群点对应关系的修剪，结果表明 PointDSC 在多个实际数据集上比基于手工和基于深度学习的离群点拒绝方法都有更好的表现，并通过与不同的 3D 局部描述符进行组合来展示其广泛的适用性。

Mar, 2021

本研究针对地面激光雷达扫描的点云数据注册问题，提出了一种基于优化算法的新方法，通过提出的确定性选择方案和快速的分支定界算法，可以有效、准确地实现点云的最优对齐。

Nov, 2018

本文提出了一种基于空间兼容性 (SC2) 的点云配准方法 (SC2-PCR)，使用二阶空间兼容性 (SC2) 度量来计算对应关系的相似度，运用全局光谱技术找到可靠种子点并使用二阶空间兼容性 (SC2) 矩阵来设计一个两阶段的策略扩展每个种子点的一致性集，然后使用加权奇异值分解算法将每个一致性集提供给生成候选刚性变换，并选择最佳模型作为最终结果，能够保证使用更少的采样找到一定数量的无离群值的一致性集，使模型估计更有效和健壮。

Mar, 2022

本文提出了一种基于贝叶斯优化的新方法，以查找关键的初始 ICP 变换，主要关注于初始转换的选择，是所有基于 ICP 的方法的起点。通过在流行数据集上运行实验，我们展示了这种方法在给定相似计算时间时优于最先进的方法，并且与 ICP 的其他改进兼容。

Apr, 2023

提出了一种应用图论框架的全局点云配准方法，利用语义线索缩小点云规模解决点云之间重叠度低的问题，通过构建金字塔图进行多级一致性阈值匹配，用级联式梯度上升方法解决最密团问题，得到多个位姿候选项，并通过快速几何验证选择最佳估计。实验证明，尽管点云之间重叠度低且语义质量低，该方法实现了最高的成功率。

Jul, 2023

本研究提出了一种名为几何变换器的方法，通过学习几何特征进行超级点匹配，从而实现点云配准。该方法不需要检测重复的关键点，并在低重叠情况下表现良好，能够提高内点比率和注册召回率。

Feb, 2022

本文提出一种新的点云注册驱动的 Siamese 跟踪框架，包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块，以实现在精确定位物体的同时提高跟踪鲁棒性。

Sep, 2022