本篇综述介绍了同源和异源点云配准的优化和深度学习方法，并总结了二者之间的关系。同时，本文还创建了一套新的评估基准来解决异源挑战，并讨论了不同领域中的点云配准应用。最后，本文提出了这个快速发展领域的潜在研究方向。

Mar, 2021

我们提出了一种基于扩散密集噪声去除的概率模型来解决点云配准问题，通过将离线模型的预测结果映射到真实结果来训练模型，并且通过旋转矩阵的变换和刚体变换的辅助信息逐步提高配准的准确性。在 3DMatch 和 3DLoMatch 上的实验证明了我们的 DiffusionPCR 在注册率方面具有世界领先水平 (95.3%/81.6%)。

Dec, 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

深度学习在增强现实引导手术中的应用可能性进行了评估，通过使用医学成像和基于 HoloLens 2 的点云数据集来研究深度学习点云对图像到患者注册的效果，并发现在具有挑战性的数据集上传统注册流程仍然优于某些深度学习方法。

May, 2024

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

该论文介绍了点云的获取、特点和挑战，回顾了点云分类的 3D 数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

Nov, 2023

我们提出了一个新的框架，将点云配准问题看作是从噪声变换到对象变换的去噪扩散过程，并通过生成模型和统一概率表达解决了代表性的判别任务之一 - 点云配准问题。

Dec, 2023

使用图神经偏微分方程和热核签名的鲁棒点云配准方法，在三维计算机视觉中具有应用于图形、自动驾驶和机器人技术等领域的基础技术。实验结果表明，该方法不仅在点云配准方面取得了最先进的性能，而且对于加性噪声或三维形状扰动具有更好的鲁棒性。

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

该论文介绍了一种动态方法，通过多次迭代点云数据的注册过程，识别匹配点聚类区域，从而删除噪点，并通过评估每个注册阶段的结果以提高网络效率。实验证明，该模型相较于其他方法在相似结果上显著减少时间消耗，室内数据集 (3DMatch) 速度提升超过 41%，室外数据集 (KITTI) 速度提升 33%，同时保持竞争性的注册召回需求。

Dec, 2023