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

本文提出了一种新的基于分层高斯混合模型(GMM)表征的分层多尺度点云数据表示方法，采用GPU并行处理计算数据分割，通过动态选择细节程度和空间分布特征来实现以上3D感知问题的数据关联；与之前的点云最近点迭代算法和基于GMM技术的算法相比，在保证MLE准确的前提下，实现了对数级时间的高效数据关联，能够更快速准确地处理多种类型的3D数据集。

Jul, 2018

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

提出了一个名为TEASER的算法，它使用TLS成本和图论框架来解决3D点集之间的快速且可靠的配准问题，能够在存在大量离群值的情况下有效地工作。该算法还提供了理论误差界限，并且在标准和3DMatch基准测试中都表现出跨越式的性能优势。

Jan, 2020

本研究提出PointDSC，一个基于深度学习的神经网络，在点云配准中明确地引入空间一致性，通过非局部特征聚合模块和可微分谱匹配模块进行同型剪枝，实现对离群点对应关系的修剪，结果表明PointDSC在多个实际数据集上比基于手工和基于深度学习的离群点拒绝方法都有更好的表现，并通过与不同的3D局部描述符进行组合来展示其广泛的适用性。

Mar, 2021

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

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

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

针对点云配准中的低重叠问题，提出了基于语义信息的 ML-SemReg，该方法通过利用多级语义一致性，将不匹配的点云分为两类并进行匹配，实验证明其具有出色的性能和稳健性。

Jul, 2024