本文介绍了一种新颖的端到端可学习的多视角三维点云拼接算法，该算法集成了两阶段流程（成对对准和全局优化），并且是当前领先技术的改进。
Jan, 2020
本文提出了一种基于数据驱动的3D点云配准方法，通过扩展标准Kabsch算法中初始旋转矩阵的确定方式来改善模型训练过程中的点对应学习。实验结果表明，该方法可以显著提高对应匹配的质量，并降低最大旋转误差7%。
Aug, 2021
本研究提出了一种名为几何变换器的方法，通过学习几何特征进行超级点匹配，从而实现点云配准。该方法不需要检测重复的关键点，并在低重叠情况下表现良好，能够提高内点比率和注册召回率。
Feb, 2022
提出了一种新型的鲁棒的三维点云配准框架，该框架结合了虚拟点方法和修正化的虚拟对应点方法。其中，利用估计的软匹配矩阵建立初始虚拟对应点，之后通过校准步骤形成修正化的虚拟对应点，并运用混合损失函数来保持形状和几何结构的一致性，从而实现了快速而准确的点云配准。
Mar, 2022
该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用transformer网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和RANSAC算法，该方法在3DMatch和ModelNet基准上均取得了最先进的成绩。
本文提出了RoITr，一个应用于点云匹配任务的旋转不变转换器，分别从局部和全局两个层面贡献，其中局部级别引入了嵌入PPF坐标的注意力机制，全局阶段则提出了一个旋转不变的跨帧自注意力机制，获得了远超现有方法的性能。
Mar, 2023
本论文研究了点云配准中准确提取对应关系的问题，通过绕过重复关键点的检测，利用超点实现了匹配，并提出了一种名为几何变换器（GeoTransformer）的方法来学习几何特征，从而使得在低重叠情况下具有鲁棒性。实验证明该方法在各种测试场景下都表现出了显著的准确性和效率。
Jul, 2023
利用去噪扩散模型在双随机矩阵空间内预测最优匹配矩阵的搜索梯度，沿着这个梯度迭代地寻找更好的解，以提高点云配准的效果。
Dec, 2023
通过启发式参数搜索策略，该论文提出了一种在点云配准中加速搜索而又保持高鲁棒性的方法，通过对可行域的三阶分解和一维区间刺探的利用，降低了搜索维度，并展示了与最先进方法相当的鲁棒性和显著的效率提升。
Apr, 2024
该研究解决了非刚性点云配准中缺乏全面基准的问题，提出了SynBench，这是一个包含多种挑战的新的非刚性点云配准数据集。通过提供真实对应点及其在变形前后的情况，SynBench使得不同方法间的公平比较成为可能，推动了该领域的进一步研究。
Sep, 2024