TEASER：快速且可认证的点云配准
在大量异常值存在的情况下，我们提出了一种用于 3D 点集配准的健壮方法，其中第一个贡献是使用截断最小二乘（TLS）成本重新制定了配准问题，使得估计对大量虚假对应不敏感；第二个贡献是解耦旋转、平移和缩放估计的通用框架，允许按级联顺序解决三个转换。
Mar, 2019
在计算机视觉领域，针对具有异常数据的三维点对输入集合，我们提出了一种名为 TEAR 的方法，其旨在通过最小化一个鲁棒性强的损失函数来实现三维配准，该方法能够处理超过 1000 万个点对，并且具有高效性、低内存成本和高准确性。
Apr, 2024
本文提出了第一种通用且实用的框架，用于设计可证明的算法以应对大量离群值的情况下进行鲁棒几何感知，该算法使用截断最小二乘（TLS）代价函数，TLS 估计可以重新构制为多项式环上的优化，支持证明获得 TLS 问题的全局最小值，同时也可以使用斯内尔定理进行基础缩减，使用 SOS 松弛的双优化认证器，大大减小了 SDP 优化问题的复杂度，解决了当前 SDP 求解器无法解决的大规模问题。
Jun, 2020
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
本论文研究了点云配准中准确提取对应关系的问题，通过绕过重复关键点的检测，利用超点实现了匹配，并提出了一种名为几何变换器（GeoTransformer）的方法来学习几何特征，从而使得在低重叠情况下具有鲁棒性。实验证明该方法在各种测试场景下都表现出了显著的准确性和效率。
Jul, 2023
该研究提出了第一个通用且可扩展的框架，用于设计可靠的几何感知算法，以在存在异常值的情况下证明其准确性，并在六个几何感知问题上进行了评估。
Sep, 2021
通过启发式参数搜索策略，该论文提出了一种在点云配准中加速搜索而又保持高鲁棒性的方法，通过对可行域的三阶分解和一维区间刺探的利用，降低了搜索维度，并展示了与最先进方法相当的鲁棒性和显著的效率提升。
Apr, 2024
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
本文提出了一种无需对应的鲁棒点云配准随机算法，并将其视为图匹配的特例，通过使用有效的半定松弛和新颖的采样机制，在采样大小大于最小值的前提下，实现了对野值的快速拒绝，从而获得高质量的假设。通过实验，证明了该方法的有效性。
Apr, 2019
研究点集注册问题中的异常值如何影响两个点云之间的最优旋转问题，比较了基于非凸优化和凸松弛的方法，实验发现，特殊正交群上直接最小化最小不平方偏差能够更好地处理异常值和恢复旋转。
Apr, 2020