提出一种新的实时非刚性稠密点云对应的方法 Deep Point Correspondence，该方法基于结构形状构造，需要比以往技术少得多的训练数据并且具有更好的泛化能力。

Oct, 2021

介绍了第一种完全无监督的对变形三维图形进行对应学习的方法，通过理解自然变形的形态变化近似保持曲面的度量结构，提出了一种驱动学习过程的自然准则，从而克服了对带注释数据的需求，并取而代之的是一种纯几何标准，学习模型不分含义类别，能够利用任何类型的可变形几何数据进行训练，相对于现有的专门针对训练期间观察到的类别的监督方法，我们展示出更强的泛化能力和应用于各种具有挑战性设置的能力，在广泛的对应基准测试中展示了我们的方法，在精度、泛化能力和效率方面均超过了其他方法。

Dec, 2018

该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用 transformer 网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和 RANSAC 算法，该方法在 3DMatch 和 ModelNet 基准上均取得了最先进的成绩。

Mar, 2022

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

本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

Apr, 2019

介绍了 3DRegNet 技术，它是一种用于三维扫描配准的深度学习架构，基于点对应关系分类为内点 / 外点，回归运动参数，提供了两种替代方案，并提出了一种改进方法。该方法在两个数据集上对比了多个基线算法，包含源代码。

Apr, 2019

提出一种自我集成的有方向性网络 (称为 SE-ORNet)，用于解决无监督点云形状对应的难题，能够对齐点云对的方向，有效减轻对称部分的误差预测，同时还采用了自我集成框架，通过数据增强和预测一致性的约束，克服了点云噪声的干扰，实验结果表明，该方法能够超过现有的无监督点云形状对应方法。

Apr, 2023

这篇论文介绍了一种新颖的自监督学习框架，用于增强自动驾驶场景中的 3D 感知。该方法名为 NCLR，专注于 2D-3D 神经校准，一种估计相机和 LiDAR 坐标系统对齐的创新前提任务。通过学习可训练的转换对齐，我们建立了图像和点云数据之间的领域差距，将特征转换成统一的表示空间，以进行有效的比较和匹配，从而实现了图像和点云的整体级别对齐。我们还通过将预训练的骨干网络应用于 LiDAR 的 3D 语义分割、目标检测和泛光分割等下游任务，证明了 NCLR 的有效性。在各种数据集上进行的综合实验证明了 NCLR 相对于现有自监督方法的优越性，并且结果表明，不同模态的联合学习显著提高了网络的理解能力和学习表示的有效性。

Jan, 2024

本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法，通过自监督学习，在不需要人类标注的情况下，实现可转移的三维点云表示，通过最大化点云和相应渲染的二维图像之间的协议，实现了三维物体分类和分割等多项任务，并验证了我们的方法在提高点云理解方面的效果。

Mar, 2022

本文探究如何以点云数据为基础，应用深度学习方法以及掌握时间一致性的学习模块，实现对包含大量非刚性变形的 3D 动态场景进行时间插值的问题，并在各项实验中取得了比同类方法更好的效果。

Mar, 2022