本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

Mar, 2020

本研究提出了一种局部特征提取的方法，将检测器和描述子两个步骤互相独立，并关注它们在学习过程中的交互。该方法使用了一种新型的检测器优化技术和多尺度方法提取图像的局部特征，并在各项基准测试中显示出了比现有技术更好的性能。

May, 2020

该论文提出了一种利用深度学习技术进行分层定位的方法，仅在候选位置上计算 2D-3D 匹配的精确位姿估计，从而实现在流行的移动平台上实时运行并拥有最先进的本地化性能，为机器人研究带来了新的前景。

Sep, 2018

本论文提出了一种同时学习关键点检测、特征描述和本地描述符可区分性预测器的方法，用于解决经典方法中存在的重复区域不具有判别力和描述符在存在歧义区域中的性能问题，在 HPatches 和 Aachen Day-Night 数据集上性能均表现优异。

Jun, 2019

提出了一个双重完全卷积框架，用于建立 2D 图像和 3D 点云之间的精细对应关系，以直接匹配像素和点，并实现了室内视觉定位的任务中领先的最优结果。

Mar, 2021

本研究提出一种新方法，在大规模点云中实现位置重定位，通过使用 Siamese 网络同时学习全局场景识别和本地六度姿态细化算法来生成全球描述符，并通过有效的注意力机制聚合本地描述符，实现同时获得本地和全局 3D 描述符，实验表明，本方法在全球点云检索和本地点云对比方面比现有技术实现的结果更具竞争力。

Jul, 2020

通过引入一种名为 D3Former 的基于显著性引导的变换器模型，联合学习可重复的稠密检测器和增强特征的描述符，实现了准确匹配点云问题的关键步骤，实验证明该方法在室内和室外基准测试中始终优于最先进的点云匹配方法。

Dec, 2023

本论文提出了一种基于端到端学习框架的关键点检测及其表示的方法，以适应于三维深度地图或扫描，通过采样相应的区域提案实现正负样本的自动获取，并在多个基准数据集上进行匹配实验，表明该方法相对于现有方法具有明显的改进。

Feb, 2018

本文提出了一种将高级语义隐式嵌入到检测和描述过程中的语义感知检测器来提高视觉定位准确度的方法，大幅降低了对于外观变化敏感的特征数量，增强了与语义相关的区域的描述符辨别能力，该方法在 Aachen Day-Night 和 RobotCar-Seasons 数据集上的实验表明，在使用 2k 和 4k 关键点的情况下，与先前的本地特征相比，我们的模型表现更好，且速度更快。

Apr, 2023

本文提出 3DFeat-Net 算法，利用弱监督学习 3D 特征检测器和描述符，通过对齐和注意机制学习 GPS/INS 标记的 3D 点云的特征对应关系，无需显式指定匹配点群，实验表明其在室外重力对齐数据集上取得了最优表现。

Jul, 2018