本论文研究了点云配准中准确提取对应关系的问题，通过绕过重复关键点的检测，利用超点实现了匹配，并提出了一种名为几何变换器（GeoTransformer）的方法来学习几何特征，从而使得在低重叠情况下具有鲁棒性。实验证明该方法在各种测试场景下都表现出了显著的准确性和效率。

Jul, 2023

采用 2D3D-MATR 方法，我们提出了一种无需检测的方法，用于图像和点云之间的准确且鲁棒的配准。该方法在粗匹配的基础上，通过学习全局上下文约束和跨模态相关性，通过 transformer 实现多尺度金字塔和图像块焦点学习，解决了尺度不确定性问题，从而获得了比之前的最优模型 P2-Net 更高的配准率和稳定度。

Aug, 2023

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

本文提出了一种使用全局 softmax 层直接匹配超级点以确定目标点云变换的简单而有效的方法，通过利用超级点匹配的丰富信息，可以获得更精确的变换估计，并有效地过滤掉任何后处理中的离群值，从而实现了不仅快速而且在 ModelNet 和 3DMatch 基准测试中也获得了最先进的结果。

Jul, 2023

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

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

点云配准是计算机视觉中的关键问题之一，本研究提出了一种新的框架，包括语义感知几何编码器、高阶变换器和显著性超级点，通过减少歧义性、提取显著点，并考虑全局几何一致性，成功地实现了点云的配准。

Sep, 2023

本文提出了一种基于 Transformer 的非刚性 3D 点云高效配准方法，该方法采用数据驱动方式，借鉴 Transformer 架构并结合表面密度估计，可在不同场景中实现点云配准、纹理传递和形状插值，验证实验表明其优于现有方法。

Jun, 2021

该论文提出了一种新方法 PoinTr，将点云补全问题重新构造为集合对集合翻译问题，并采用 Transformer 编码器 - 解码器架构。通过使用定位嵌入在无序点组中表示点云，我们将点云转换为点代理序列，并使用变形器进行点云生成。在点云的局部几何关系中，我们进一步设计了一种几何感知块以更好地利用点云的 3D 几何结构归纳偏差，使得变形器能够更好地学习结构知识和保留详细信息，从而完善点云。此外，我们提出了两个具有更多不完整点云的具有挑战性的基准测试，以更好地反映现实世界的情况。实证结果表明，我们的方法在新的基准测试和现有基准测试上均优于现有最先进的方法。

Aug, 2021

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