基于特征度量的点云配准：一种快速半监督方法，无需对应关系，实现强健的点云配准

CVPRMay, 2020

基于特征度量的点云配准：一种快速半监督方法，无需对应关系，实现强健的点云配准

Feature-metric Registration: A Fast Semi-supervised Approach for Robust Point Cloud Registration without Correspondences

PDF

Xiaoshui Huang, Guofeng Mei, Jian Zhang

TL;DR提出了一个基于特征度量的点云配准框架，通过最小化特征度量投影误差来实现优化，该方法具有噪声、异常值和密度差异的鲁棒性，并且不需要对应搜索，因此速度很快。实验证明，该方法具有更高的准确性和鲁棒性，并可处理噪声和密度差异，同时能解决同源和异源点云配准问题。

Abstract

We present a fast feature-metric point cloud registration framework, which enforces the optimisation of registration by minimising a feature-metric projection error without correspondences. The advantage of the feature-metric projection error is robust to noise, outliers and density di

point cloud registration feature-metric projection error optimization semi-supervised learning robustness

发现论文，激发创造

SDRSAC: 基于半正定随机化方法的点云无对应项鲁棒配准

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

部分重叠点云的快速稳健配准

该研究提出了一种新的部分重叠点云的实时配准方法，利用点云的特征编码器和基于图的注意力网络来学习和优化对应关系，实现了与现有方法相当的性能和更快的推理速度。

Dec, 2021

基于深度图匹配的稳健点云配准框架

本文提出了一种基于深度图匹配的 3D 点云注册框架，通过先将点云转化为图并提取每个点的深度特征，再用深度图匹配计算软对应矩阵，从而找到更正确的对应关系，实现了在有离群点和时间约束而没有好的变换初始化时的 3D 点云快速注册。

Mar, 2021

无监督点云配准的可靠内点评估

该论文提出了一种基于邻域一致性的可靠内点评估方法，以提高无监督点云配准的精度，并利用匹配映射细化模块和内点评估模块配合实现精确配准，最终使用加权 SVD 算法进行转换估计。

Feb, 2022

零样本点云配准

本研究提出了一种零样本点云配准方法 ZeroReg，通过将图像特征从关键点传递到点云中，利用 3D 几何邻域信息构建时引入的图像特征来解决传统方法中需要在特定数据集上进行训练的问题，因此，ZeroReg 可在点云配准任务中实现出色的性能。

Dec, 2023

高效对应聚类的多实例点云配准

在点云匹配中，以距离不变性矩阵为基础进行聚类，实现了多实例姿态估计并剔除离群点的目标，其可靠性和效率均优于现有方法。

Nov, 2021

基于点云配准驱动的三维孪生物体追踪强鲁棒特征匹配

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

FreeReg: 集成预训练扩散模型和单目深度估计的图像到点云注册

图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态，并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性，这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征，通过匹配这些几何特征，显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上，通过直接利用这两种特征，该方法平均提高了 20.6％的内点比率、三倍的内点数目和 48.6％的配准召回率相比现有最先进方法。

Oct, 2023

快速而坚固的点云配准的几何变换器

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

无监督深度概率方法用于部分点云配准

提出了一种名为 UDPReg 的无监督深度概率点云配准框架，使用 GMM 的后验概率分布、Sinkhorn 算法和三种分布一致性损失函数来解决点云配准中的部分重叠和标记数据问题，并且在多项基准测试中实现了竞争性的性能表现。

Mar, 2023