本文提出了一种名为 3DMatch 的数据驱动模型，它可以学习用于建立局部 3D 数据对应关系的局部体积块描述符，且利用自我监督特征学习方法来汇集训练数据。实验证明，该描述符不仅可以用于重构新场景的局部几何形状的匹配，而且可以推广到不同的任务和空间尺度。

Mar, 2016

使用深度学习方法，构建一个名为3D-R2N2的递归神经网络结构，使用大量的合成数据将图像映射到对应的3D形状，无需图像注释或对象分类标签，可以在缺乏纹理或宽基线的情况下，实现对象的3D重建，并在单视图重建方面优于现有的最先进方法。

Apr, 2016

DeepICP是一种端到端的学习框架，采用多种深度神经网络结构来实现3D点云的配准，并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。

May, 2019

该论文提出了一种名为CPD-Net的新方法，利用深度神经网络实现无监督学习，通过学习位移函数来进行非刚性点集配准，解决了现有方法在大数据集实时点集配准中重复独立迭代搜索的问题，从而实现了对未曾见过的点对进行预测。

Jun, 2019

本论文提出了一种名为PRNet的简单、灵活和通用的框架，用于部分到部分的点云配准，它使用深度神经网络处理对齐和部分匹配问题的非凸性，并且PRNet适用于部分到部分的配准，并在合成数据上优于PointNetLK、DCP和非学习方法。

Oct, 2019

本研究通过使用PointTriNet模型，基于局部几何数据，使用一个分类网络和一个提议网络，生成一组点的三角剖分，实现了一个不需要监督训练的，可扩展的三维几何形态学习方法。

Apr, 2020

本文介绍了一个新的神经架构，称为SpinNet，旨在提取旋转不变但足够信息丰富以达到精确配准的局部特征。通过空间点变换器和神经特征提取器，可以将输入局部表面映射到经过仔细设计的圆柱空间，并利用点卷积神经层和3D圆柱卷积神经层来提取紧凑且代表性的描述符进行匹配。在室内和室外数据集上进行的广泛实验表明，SpinNet的性能优于现有的最先进技术，并在不同传感器模态下具有最佳的泛化能力。

Nov, 2020

本文介绍了一种基于无监督和端到端深度学习的框架CorrNet3D，以学习3D形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

Dec, 2020

3DVNet是一种结合了先前基于深度和体积的MVS方法优点的新型多视图立体(multi-view stereo)深度预测方法，使用基于体积的三维卷积神经网络来对所有深度图进行操作，并能够学习有意义的场景级先验知识，其在深度预测和3D重建度量上均超越了现有技术，证明该方法在新的环境下具有很好的效果和通用性。

Dec, 2021

我们研究了3D注册问题的一个变种，名为多模型3D注册。在多模型注册问题中，我们给出两个描绘了不同姿态下一组物体（可能包括属于背景的点）的点云，并且我们希望同时重建出这两个点云之间所有物体的运动。该方法通用于标准的3D注册，其中需要重建出单个姿态，例如传感器描绘静态场景的运动。此外，它为相关的机器人应用提供了数学上的基础，例如，机器人上的深度传感器感知动态场景，并且目标是在同时恢复出自身的运动（从静态部分场景中）以及所有动态物体的运动。我们假设一个基于对应关系的设置，在两个点云之间存在着匹配关系，同时考虑了这些对应关系受到异常值干扰的实际情况。然后，我们提出了一种基于期望最大化（Expectation-Maximization）的简单方法，并建立了EM方法收敛到真实结果的理论条件。我们在从桌面场景到自动驾驶场景的模拟和实际数据集上评估了该方法，并证明其与最先进的场景流方法相结合时的有效性。

Feb, 2024