该研究提出了一种快速而强韧的匹配框架，该框架将局部描述符与 3DFFT 技术相结合，用于不同模态数据的图像配准。实验结果表明，该框架比现有方法具有更优的匹配性能。

Aug, 2018

图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态，并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性，这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征，通过匹配这些几何特征，显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上，通过直接利用这两种特征，该方法平均提高了 20.6％的内点比率、三倍的内点数目和 48.6％的配准召回率相比现有最先进方法。

Oct, 2023

利用跨模态信息建议的网络 (CMIGNet) 实现精确和稳健的点云配准，通过投影图像和交叉模态特征融合，采用两种对比学习策略，并提出了一个遮罩预测模块以识别点云中的关键点，实验证明我们的网络具有优越的配准性能。

Nov, 2023

通过提出一种新的特征组合框架，应用松散但更有效的融合，克服各种特征的弱点，并利用两种类型特征的有效信息，该方法在 ScanNet 上实现了最先进的性能，旋转精度达到了 99.1%。

May, 2024

基于球形体素的特征表示和分层对应筛选的点云配准方法适用于同质和异质数据，能有效应对不同密度和分布的点云数据，滤出高质量对应点，实现了多领域点云配准。

Mar, 2024

本研究提出了一种基于粗 - 精匹配的框架，在该框架中，将图片和点云转化为局部表示，并利用了 attention 来捕捉全局和跨模态上下文，并通过设计良好的采样和精细匹配来细化点到像素的对应关系，从而解决了图像与点云匹配的问题，并在大规模室外数据集上取得了优于现有方法的结果。

Jul, 2023

介绍了一个新的 3D 点云注册模块 PCR-CG，它将颜色信号显式地嵌入几何表示中，并使用 2D-3D 跨模态学习算法将像素特征与点云有效地关联起来，从而实现了较高的点云注册召回率。

Feb, 2023

本文提出了一种名为 LoGoNet 的基于 LiDAR 和相机融合的新型神经网络，该网络能够同时在局部和全局层面上对 3D 物体进行检测，并在 Waymo 和 KITTI 数据集上获得了最佳检测表现。

Mar, 2023

提出了一种新的多通道点云镶嵌框架，其设计用于将部分重叠的点云集合（通常来自 3D 扫描仪或移动 RGB-D 相机）对齐到一个统一的坐标系统；核心算法为 ODIN，它使用扩散过程对相关矩阵进行去噪，并通过迭代识别重叠部分和优化注意力得分来提高匹配精度；进一步的步骤包括构建姿态图，进行旋转平均，使用鲁棒算法重新估计平移以实现共识最大化和优化平移，并最后通过扩散过程联合优化点云的旋转和位置；在四个多样化且大规模的数据集上测试，该方法在所有基准测试中以很大的优势达到了最先进的两两和多通道注册结果。

Mar, 2024

通过一阶优化，采用跨模态多尺度渐进稠密注册方案改进多模态图像融合性能，通过密集变形场聚合和渐进特征细化来准确估计最终的变形场，并结合 Transformer-Conv-based Fusion 子网络捕捉注册红外和可见图像的信息，实现高质量融合图像的生成。

Aug, 2023