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

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

GMCNet 使用包括几何特征、自适应局部特征和基于图表征的统计建模等多种策略实现了全范围的点云配准，在点云配准方面超过了以往的最先进方法。

Nov, 2021

提出了一种新型的端到端可训练的深度神经网络 RPSRNet，用于刚性点集配准，使用了 $2^D$-tree 表示输入点集，并在神经网络中使用分层深度特征嵌入，包括迭代变换细化模块，可以有效地处理噪声和非均匀采样密度的 LiDAR 等数据，相比之前的最新方法在点云配准上具有更好的准确性。

Apr, 2021

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

本研究提出了一种名为 I2PNet 的新型端对端 2D-3D 注册网络，该网络能够精确定位机器人并在相机 - LiDAR 在线校准方面表现出色。

Jun, 2023

本文提出了一种名为 Rotation-Invariant Completion Network (RICNet) 的网络，它由两个部分组成：双流水线完成网络 (DPCNet) 和增强模块。RICNet 在特征提取方面实现了更好的旋转不变性，并结合了人造对象的结构关系。实验证明，与现有方法相比，RICNet 在点云的完成性能上表现出更好的表现。

Aug, 2023

本文提出一种基于递归网络的零阶方法，可用于解决对不规则点云数据进行 3D 场景流估计和点云配准两项任务，实验结果表明该方法能够超越以往方法并达到新的最佳表现。

May, 2022