本研究提出了一种基于全局特征的 OMNet 方法，用于局部 - 局部点云配准。通过学习重叠区域的掩码来拒绝不重叠的区域，并采用了更实用的数据生成方法，实现了与传统和深度学习方法相比的最新性能。

Mar, 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

提出了一种应用图论框架的全局点云配准方法，利用语义线索缩小点云规模解决点云之间重叠度低的问题，通过构建金字塔图进行多级一致性阈值匹配，用级联式梯度上升方法解决最密团问题，得到多个位姿候选项，并通过快速几何验证选择最佳估计。实验证明，尽管点云之间重叠度低且语义质量低，该方法实现了最高的成功率。

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

在点云匹配中，以距离不变性矩阵为基础进行聚类，实现了多实例姿态估计并剔除离群点的目标，其可靠性和效率均优于现有方法。

Nov, 2021

本文提出了一种基于学习的方法，旨在精确地估计部分被观测对象的三维运动状态，并使用噪声三维点云进行运动估计。该方法比全局三维注册方法表现更优，且更为高效。

Oct, 2019

提出了一种名为 UDPReg 的无监督深度概率点云配准框架，使用 GMM 的后验概率分布、Sinkhorn 算法和三种分布一致性损失函数来解决点云配准中的部分重叠和标记数据问题，并且在多项基准测试中实现了竞争性的性能表现。

Mar, 2023

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几何变换器的方法，通过学习几何特征进行超级点匹配，从而实现点云配准。该方法不需要检测重复的关键点，并在低重叠情况下表现良好，能够提高内点比率和注册召回率。

Feb, 2022