本篇文章提出了基于最大期望算法的多视角点集注册方法，通过利用高斯混合模型描述点云数据分布并定义最大似然估计函数，实现了高精度、高鲁棒性、高效率的点云多视角重建。

Feb, 2020

本文提出了一种用高斯混合模型来处理 3D 点云配准问题的算法，能够更好地估计注册参数，并可以用于重建表面。

Sep, 2016

介绍了一种新的概率方法，称为相干点漂移算法（CPD），它适用于刚性和非刚性点集注册，解决了点集注册中的多个因素，包括未知的非刚性空间变换，点集的大维度，噪声和异常值。同时，测试结果表明，CPD 算法具有较高的精度，超过当前最先进的方法。

May, 2009

本研究提出了一种新的概率点集配准方法，采用有效的概率公式解决了最大似然估计问题，通过 E-M 算法和高斯滤波方法实现更快的计算性能，适用于关节和可变形目标，优于其他竞争基线。

Nov, 2018

我们对一种基于期望最大化算法进行了详细的理论分析，该算法最近被提出用于解决一种名为多模型 3D 注册的变种问题，我们旨在通过确定一些条件来填补已有的理论知识的空白。

May, 2024

该论文提出了一个刚性点集配准和合并的框架，使用鲁棒的连续数据表示，其中点集表示是通过训练具有高斯径向基函数内核的单类支持向量机来构造的，并随后使用高斯混合模型逼近输出函数。它使用该表示的稀疏参数化和噪声、异常值和遮挡的鲁棒性进行有效的配准算法，最小化支持向量参数化的高斯混合模型之间的 L 2 距离。

Nov, 2015

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

本研究利用基于期望最大化的框架最小化 KL 距离，构建点云场景的潜在概率分布模型，使其能够适应密度变化，并成功在多种真实世界的激光雷达数据集上超越现有的多视角概率方法，而无需重新采样。

Apr, 2018

本文提出了一种基于最大团的三维点云配准方法，使用图形挖掘更多的局部信息来获取更精确的姿态假设并且在多项实验中表现出比其他算法更好的性能。

May, 2023

本文提出了一种基于 EM 算法的正则化版本，该方法可高效地利用先验知识来应对样本数据较小的情况，并通过收缩估计量以实现正定的协方差矩阵更新，从而改善 EM 算法在 Gaussian 混合模型（GMM）处理中的性能问题。此外，基于真实数据的实验证实了该算法在聚类目的上的良好性能。

Jul, 2023