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

本文介绍了一种名为 CoFiNet 的粗糙到精细网络技术，该技术无需进行关键点检测，而是通过权重方案从粗糙到精细地提取点云之间的对应关系并进行匹配。在标准测试中，CoFiNet 在室内和室外场景上都比现有方法表现优越，特别是在 3DLoMatch 上，其 Registration Recall 性能提高至少 5％，而参数至多只有现有方法的三分之二。

Oct, 2021

本文提出了 DeepI2P：一种新的图像和点云之间的跨模态配准方法。通过将配准问题转化为分类和逆投影优化问题，并使用分类神经网络来对点云中的每个点进行分类。通过这种方法估计相对刚性变换，进而解决了图像和点云之间特征描述缺失的问题。实验结果表明了我们方法的可行性。

Apr, 2021

本研究提出了一种名为 I2PNet 的新型端对端 2D-3D 注册网络，该网络能够精确定位机器人并在相机 - LiDAR 在线校准方面表现出色。

Jun, 2023

DeepICP 是一种端到端的学习框架，采用多种深度神经网络结构来实现 3D 点云的配准，并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。

May, 2019

本研究提出了一种基于深度学习的方法 ——RPM-Net，该方法相较于现有的非深度学习及近期的深度学习方法，在点云刚体配准领域取得了最先进的性能表现。

Mar, 2020

该研究提出了一种新的方法，使用混合度量空间（例如 BSC 特征和欧几里德几何空间）和全局最优对应匹配，通过粗到细的迭代优化对点云进行配准，并在多个测试数据集上取得了好的性能表现。

Aug, 2018

通过 MIRETR，即 Multi-Instance REgistration TRansformer 方法，我们提出了一种粗到细的方法来提取具有实例感知的对应关系，通过联合学习实例感知超点特征和预测每个实例的掩码，从而最小化关注范围外的影响，提取可靠的超点对应关系，并根据实例掩码将超点对应关系扩展到实例候选项，最后通过高效的候选项选择和精调算法获取最终的配准结果。在三个公共基准测试中进行了广泛实验，结果表明我们的方法的有效性。特别是在具有挑战性的 ROBI 基准测试中，MIRETR 在 F1 得分上超过了现有技术 16.6 个点。

Apr, 2024

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

通过建立参考地图并使用 EP2P-Loc 方法，本文提出了一种新颖的大规模视觉定位方法，绕过 2D 和 3D 感知模态之间的表示差异，从而实现端到端的姿态估计，并在实验中表现出与现有视觉定位方法和图像到点云注册方法相比的最先进性能。

Sep, 2023