本研究提出一种名为 HybridFusion 的跨来源点云融合算法，包括粗到细的 patch 匹配，2D/3D 注册和多个 Patch 姿态估计结果簇合和融合来确定最终姿态，经过定性和定量实验证明 HybridFusion 达到了近期点云同源性配准的最好表现。

Apr, 2023

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

提出了一种系统的方法来注册来自不同来源的点云，本方法对宏观和微观结构进行了提取，并建立了一个图匹配方法来考虑全局几何约束条件以实现鲁棒的点云注册，实验结果显示，与其他方法相比，本方法在同源和异源数据集中的注册均取得了良好的结果。

Aug, 2016

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

本文提出了一种有效而健壮的方法，利用 Hough 投票在 6D 转换参数空间中实现三维扫描点云的成对配准，该方法通过提取几何特征从点云对中计算出假设的对应关系，并考虑空间中的变换参数来构建成对间的对应关系，从而最终获得了自适应的变换参数。

Sep, 2021

在点云匹配中，以距离不变性矩阵为基础进行聚类，实现了多实例姿态估计并剔除离群点的目标，其可靠性和效率均优于现有方法。

Nov, 2021

本文系统回顾了 CSPC（Cross-source Point Cloud）配准的特点，关键挑战，研究进展和应用领域，并讨论了该领域的重要研究方向和多个传感器结合优势。

May, 2023

通过可微分的概率 PnP 求解器学习结构化的跨模态潜空间，以表示像素特征和 3D 特征，并通过 VoxelPoint-to-Pixel 匹配设计了三元组网络，该网络使用像素和点来学习潜空间。在 KITTI 和 nuScenes 数据集上的实验结果显示了与最先进方法相比的显著改进。

Dec, 2023

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

本文提出了一种新的单级三维检测方法 HVPR，它将点云的体素特征与点特征有效且高效地集成到一个伪图像的混合三维表示中，从而实现了三维对象的定位。同时，我们提出了一种 Attentive Multi-scale Feature Module（AMFM），用于考虑点云的稀疏和不规则分布，以提取具有尺度感知的特征，并在 KITTI 数据集上验证了我们方法的有效性和效率。

Apr, 2021