提出了一种基于三维点云的全工作流程，利用卷积神经网络和全卷积层来匹配三维点云，利用兴趣点体素化光滑密度值 (SDV) 表示，从而实现旋转不变性，并在3DMatch基准数据集上取得了94.9%的平均召回率，性能比同类方法提高了20%以上，同时实现了高效的近实时的对应点搜索。

Nov, 2018

本文提出了一种基于学习的方法 Deep Closest Point，用于点云配准问题，通过点云嵌入网络、基于注意力机制的组合匹配模块和可微分的奇异值分解层，实现最终的刚性变换。实验证明该方法优于传统算法 Iterative Closest Point 及其变种，以及最近提出的基于学习的方法 PointNetLK，同时能有效迁移学到的特征。

May, 2019

本文提出了一种新的基于PointNet编码的点云对齐和配准框架，避免了ICP等流行配准方法中的计算昂贵的对应点搜索步骤，适用于3D重建、跟踪和姿态估计等应用，能够处理噪声、初始错位以及粗糙点云，并通过大量模拟和真实实验验证了算法的有效性和性能优势。

Dec, 2019

本文介绍了一种基于无监督和端到端深度学习的框架CorrNet3D，以学习3D形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

Dec, 2020

GMCNet使用包括几何特征、自适应局部特征和基于图表征的统计建模等多种策略实现了全范围的点云配准，在点云配准方面超过了以往的最先进方法。

Nov, 2021

本文介绍了Point Tracking Transformer (PTTR)模型，该模型通过关系感知采样，点关系变换器和预测细化模块实现了点云单物体跟踪，并且在Waymo开放数据集上取得了卓越的准确性和效率。

Dec, 2021

本文提出了RoITr，一个应用于点云匹配任务的旋转不变转换器，分别从局部和全局两个层面贡献，其中局部级别引入了嵌入PPF坐标的注意力机制，全局阶段则提出了一个旋转不变的跨帧自注意力机制，获得了远超现有方法的性能。

Mar, 2023

本研究提出了CDFormer，一种新的利用收集和分布机制的Transformer架构，可对点云的局部和全局结构进行有效学习，并在四个流行的点云数据集上取得了新的最佳分类和分割结果。

Jun, 2023

通过利用丰富的几何信息，我们提出了一种新的解决方案Q-REG，用于从单个对应关系估计刚性姿态，并在3DMatch、KITTI和ModelNet基准测试中取得了最新的最佳成果。

Sep, 2023

提出了一种名为OAAFormer的方法，以提高点云注册中的匹配质量，通过软匹配机制和区域注意力模块，从粗到细级别传播和优化对应关系，最终在3DLoMatch基准测试上实现了显著的内点比例增加和注册召回提升。

Oct, 2023