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

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

通过 MIRETR，即 Multi-Instance REgistration TRansformer 方法，我们提出了一种粗到细的方法来提取具有实例感知的对应关系，通过联合学习实例感知超点特征和预测每个实例的掩码，从而最小化关注范围外的影响，提取可靠的超点对应关系，并根据实例掩码将超点对应关系扩展到实例候选项，最后通过高效的候选项选择和精调算法获取最终的配准结果。在三个公共基准测试中进行了广泛实验，结果表明我们的方法的有效性。特别是在具有挑战性的 ROBI 基准测试中，MIRETR 在 F1 得分上超过了现有技术 16.6 个点。

Apr, 2024

通过启发式参数搜索策略，该论文提出了一种在点云配准中加速搜索而又保持高鲁棒性的方法，通过对可行域的三阶分解和一维区间刺探的利用，降低了搜索维度，并展示了与最先进方法相当的鲁棒性和显著的效率提升。

Apr, 2024

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

本文介绍了一种名为 “保证异常值去除” 的预处理方法，该方法使用纯几何操作将输入点云的异常值数量显著减少，以便更快地执行进一步的优化，并保留全局最优解。

Nov, 2017

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

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

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。

May, 2020

我们提出了一种有效的无监督点云配准方法，通过捕捉源点云与其对应的参考点云副本之间的几何结构一致性，实现了对内点的可靠估计和自监督信号，从而提高了匹配的准确度和优化模型完成的鲁棒性。

Jul, 2023