使用图神经偏微分方程和热核签名的鲁棒点云配准方法，在三维计算机视觉中具有应用于图形、自动驾驶和机器人技术等领域的基础技术。实验结果表明，该方法不仅在点云配准方面取得了最先进的性能，而且对于加性噪声或三维形状扰动具有更好的鲁棒性。

Apr, 2024

本文提出一种使用深度神经网络建模变形图表达非刚性物体的全局一致变形跟踪和三维重建方法，能够在快速运动或时间不连续记录的情况下实现稳健的跟踪，并在明确的视点一致性和图形表面一致性约束下全局优化神经变形图进行自监督训练，同时利用隐式多层感知器形态表示对物体的形状进行优化，实验表明其效果优于现有的非刚性重建方法。

Dec, 2020

本文设计了一个基于深度金字塔网络的点云重建方法 DensePCR，通过逐层生成低分辨率到高分辨率的点云来生成准确、均匀且密集的高分辨率 3D 模型。在合成和真实数据集上的评估表明，DensePCR 优于现有的点云重建方法，并提供了一种轻量级和可扩展的高分辨率输出预测体系结构。

Jan, 2019

提出了一种新的神经网络训练框架，可以在只有 2D 注释的情况下学习非刚性物体的 3D 信息，该框架通过自动确定适当的旋转解决了非刚性结构运动估计中同时估计旋转和变形的难点，使用损失函数进行训练后，网络可以学习人类骨架和面孔等对象的 3D 结构，在测试过程中可以处理带有丢失入口的输入，实验证明该框架表现优异，即使底层网络结构非常简单，在 Human 3.6M、300-VW 和 SURREAL 数据集上均优于现有最先进的方法。

Jul, 2020

本研究提出了一种基于深度学习的 Laplacian 金字塔图像注册网络，可以在差分同胚映射空间内以逐层逼近的方式解决图像配准优化问题，并在两个 MR 脑扫描数据集上得出了比现有方法更优越的结果，同时保持理想的差分同胚性和良好的配准速度。

Jun, 2020

通过提出神经内在嵌入（NIE）来嵌入每个顶点到高维空间从而建立弱监督的非刚性点云配准框架，无需先前的基础构建或真实配准标签。实验证明我们的框架表现与现代方法相当甚至更好，而这些方法通常需要更多的监督和 / 或结构几何输入。

Mar, 2023

本文提出一种基于刚性变换的非刚性配准算法，通过可微分的损失函数进行监督学习，并在多个数据集上的实验结果表明其优于现有最先进算法。

Nov, 2020

该研究论文介绍了一种从单目视频中进行动态新视图合成的新方法，通过将场景表示为动态神经点云，利用数据驱动的先验信息和快速可微分光栅化器和神经渲染网络，实现高质量的合成图像。

Jun, 2024

本文利用强化学习将点云配准问题转化为一种规划问题，通过逐步缩小变换搜索空间来获得源点云和目标点云之间的最佳变换，实验结果表明我们的方法可以在无监督学习的情况下产生良好的配准性能。

Aug, 2021

该论文提出了一种名为 CPD-Net 的新方法，利用深度神经网络实现无监督学习，通过学习位移函数来进行非刚性点集配准，解决了现有方法在大数据集实时点集配准中重复独立迭代搜索的问题，从而实现了对未曾见过的点对进行预测。

Jun, 2019