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

本文提出了一种框架，该框架明确提取双层描述符和检测器，并与之进行粗糙到精细的匹配，以达到准确和鲁棒的点云配准。实验表明该方法的效果优于其他基于关键点的方法。

May, 2023

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

采用2D3D-MATR方法，我们提出了一种无需检测的方法，用于图像和点云之间的准确且鲁棒的配准。该方法在粗匹配的基础上，通过学习全局上下文约束和跨模态相关性，通过transformer实现多尺度金字塔和图像块焦点学习，解决了尺度不确定性问题，从而获得了比之前的最优模型P2-Net更高的配准率和稳定度。

Aug, 2023

我们提出了一种基于无监督网络的Overlap Bias Matching Network (OBMNet)用于局部点云配准，可有效解决无监督方法在重叠评估方面的不足，通过Overlap Bias Matching Module (OBMM)和neighbor map matching module的精准合并匹配得分等方法，可在低重叠比例的配准场景中保持有效性，实验证明该方法相比先前的配准方法有显著的提升。

Aug, 2023

点云配准中的局部和全局特征提取是一个常见问题。本文提出了一种名为“Point Tree Transformer (PTT)”的新型基于Transformer的方法，通过构建点云的层次特征树和引入一种新的点树注意力机制（PTA）来提取细粒度的局部和全局特征，从而有效地解决低相关性点引起的性能下降和计算复杂度过高的问题。实验证明，该方法在3DMatch、ModelNet40和KITTI数据集上取得了优越的性能。

Jun, 2024

本文研究了点云配准中的几何一致性问题，提出了一种一致性感知的点导向变换器（CAST），该方法通过点导向的交叉注意力模块和一致性感知的自注意力模块来提升匹配能力，使得匹配结果更加几何一致。实验表明，CAST在准确性、效率和鲁棒性方面均达到最先进水平，对实时应用如机器人里程计具有重要影响。

Oct, 2024