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

本文使用 Siamese Transformer 网络，结合点云的形态信息和深度信息，在 3D 单目标跟踪任务中实现了鲁棒的交叉相关学习，取得了与 KITTI、nuScenes 和 Waymo 数据集上最优的表现。

Jul, 2022

稀疏 LiDAR 点云数据仍然存在挑战，因此本文提出了一种多相关 Siamese Transformer 网络，通过在每个阶段末尾基于稀疏支柱进行特征相关，以学习搜索区域的特征并保持模板的独立特征。该算法在 KITTI、nuScenes 和 Waymo 数据集上取得了有希望的性能，并提供了对每个组件有效性的消融实验研究。

Dec, 2023

本文将点云配准问题视为语义实例匹配和配准任务，提出了一种用于大规模室外点云配准的深度语义图匹配方法。通过利用大规模点云语义分割网络获得 3D 点云的语义类别标签，并使用欧氏聚类算法将具有相同类别标签的相邻点进行聚类。基于语义实例的空间相邻关系构建了语义邻接图，通过图卷积网络学习了几种高维特征，包括几何形状特征、语义分类特征和空间分布特征，同时应用了注意力机制进行增强。将语义实例匹配问题建模为一个最优传输问题，并通过最优匹配层进行求解。最后，根据匹配的语义实例，首先通过奇异值分解（SVD）算法获得两个点云之间的几何变换矩阵，然后使用 ICP 算法进行细化处理。实验在 KITTI Odometry 数据集上进行，所提出方法的平均相对平移误差和平均相对旋转误差分别为 6.6cm 和 0.229 度。

Aug, 2023

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

本文提出了一种新颖的单分支框架 SyncTrack，通过同步特征提取和匹配，避免了传统的对模板和搜索区域分别进行编码器传递以及引入额外的匹配网络参数，并基于 Transformer 的动态关联实现了同步机制。此外，引入了一种新颖的注意力点采样策略 (APST) 来代替随机 / Farthest Points Sampling (FPS) 方法，通过注意力关系来指导采样，将点采样与特征学习相连接，有助于聚合更加明显和几何特征以进行稀疏点跟踪。在两个基准数据集（KITTI 和 NuScenes）上进行的广泛实验表明，SyncTrack 在实时跟踪方面取得了最先进的性能。

Aug, 2023

本文提出了一种基于运动中心范例的两阶段跟踪方法 M^2-Track 来解决传统外观匹配法在 LiDAR 点云跟踪中的不足，并在 KITTI、NuScenes 和 Waymo Open Dataset 三个数据集上表现出显著的精度提升（分别为 8％、17％和 22％），验证了该方法的有效性和前景。

Mar, 2022

提出一种基于形状约束迭代算法，将一个刚体模板点云注册到给定参考点云，从而检测三维点云的变化并适应存在异常值或缺失数据的复杂场景。与三种最新的配准方法进行比较，实验结果表明该算法在大旋转、结构和非结构异常值和缺失数据的情况下表现更佳。

Feb, 2019

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

提出了一个基于特征度量的点云配准框架，通过最小化特征度量投影误差来实现优化，该方法具有噪声、异常值和密度差异的鲁棒性，并且不需要对应搜索，因此速度很快。实验证明，该方法具有更高的准确性和鲁棒性，并可处理噪声和密度差异，同时能解决同源和异源点云配准问题。

May, 2020