该研究报告探讨利用 MVP 数据集解决部分点云完成和注册的问题，介绍 2021 年的挑战赛，讨论未来方向。

Dec, 2021

本研究提出了一种新的深度学习模型 ROPNet，它利用具有鉴别性特征的代表性重叠点进行注册，从而将局部到局部的注册转化为局部到完全的注册。实验表明，该方法在嘈杂且部分重叠的点云中表现出卓越的性能。

Jul, 2021

我们引入了 PREDATOR 模型，这是一种针对点云配对注册的模型，通过深度注意重叠区域来实现，其重要特点是重叠注意力块用于两个点云的潜在编码之间的早期信息交换，从而可以预测哪些点不仅很重要，而且位于两个点云之间的重叠区域，大大提高了匹配的准确性，这项工作在低重叠情况下成功匹配率提高了 20％以上，在 3DMatch benchmark 上也创造了新的纪录，注册召回率为 89％。

Nov, 2020

本文利用强化学习将点云配准问题转化为一种规划问题，通过逐步缩小变换搜索空间来获得源点云和目标点云之间的最佳变换，实验结果表明我们的方法可以在无监督学习的情况下产生良好的配准性能。

Aug, 2021

本文提出了一种有效而健壮的方法，利用 Hough 投票在 6D 转换参数空间中实现三维扫描点云的成对配准，该方法通过提取几何特征从点云对中计算出假设的对应关系，并考虑空间中的变换参数来构建成对间的对应关系，从而最终获得了自适应的变换参数。

Sep, 2021

使用深度神经网络作为辅助工具，DeepMapping 提出了一种新的注册框架，可将多个点云从头开始对齐到全局一致框架中，并将注册问题转换为二进制空间分类。实验证明，相对于现有技术，DeepMapping 通常能够实现更 robust，更准确的全局点云注册。

Nov, 2018

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

三维数据配准是许多应用的关键问题，本文提出了 ReLaTo，建立了一个优化配准方法，特别适用于大变换的情况。

Mar, 2024

在点云配准领域，本文介绍了一种轻量级的基于学习的姿态评估器（Deep-PE），用于增强姿态选择的准确性，特别是在低重叠的挑战性点云场景中。该网络结合了姿态感知注意力模块和姿态置信度预测模块，通过学习不同候选姿态下点云的对齐状态来提高注册的成功率。在多个基准测试中，Deep-PE 在低重叠率的情况下，相对于基于手工 FPFH 和基于学习的 FCGF 描述符的最先进方法，注册召回率分别提高了至少 8% 和 11%。据我们所知，这是第一项利用深度学习在没有显式输入对应关系的情况下选择最优姿态的研究。

May, 2024

该论文介绍了一种动态方法，通过多次迭代点云数据的注册过程，识别匹配点聚类区域，从而删除噪点，并通过评估每个注册阶段的结果以提高网络效率。实验证明，该模型相较于其他方法在相似结果上显著减少时间消耗，室内数据集 (3DMatch) 速度提升超过 41%，室外数据集 (KITTI) 速度提升 33%，同时保持竞争性的注册召回需求。

Dec, 2023