提出了一种名为 DBDNet 的具有双分支解耦的局部到局部配准的有效方法，通过分别创建两个单独的对应矩阵来消除旋转和平移之间的互相干扰错误，并通过强大的注意力机制实现显式特征交互以准确预测点掩码，并设计了一个多分辨率特征提取网络来捕捉局部和全局模式从而增强重叠预测和配准模块，实验证明了我们提出方法的有效性。

Oct, 2023

通过一阶优化，采用跨模态多尺度渐进稠密注册方案改进多模态图像融合性能，通过密集变形场聚合和渐进特征细化来准确估计最终的变形场，并结合 Transformer-Conv-based Fusion 子网络捕捉注册红外和可见图像的信息，实现高质量融合图像的生成。

Aug, 2023

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

本文提出了一种基于数据驱动的方法来解决点云配准问题，通过增加姿态变换描述符的相对姿态估计网络来实现对于全球配准的转换线索，然后通过假设和验证算法来快速使用预测进行对齐，实验表明这种方法在点云配准问题上的表现超过了现有技术。

Apr, 2019

本文提出了一种融合低质量 3D 数据的人脸识别系统，通过设计 PointNet-like 深度注册网络（DRNet）和 AMSoftmax 卷积神经网络，实现更高的准确率。

Oct, 2018

我们提出了一个基于神经网络和优化算法的 3D 扫描配准框架，可以对实际数据进行高精度的配准，优于现有的同类方法。

Apr, 2020

本文讨论了两阶段管道相对于单阶段设计的优势，提出了一种名为 DR-Pose 的两阶段变形和配准管道，包括辅助完成阶段和缩放配准阶段，通过点云完成方法生成目标对象的未见部分并引导形状先验的后续形变，并设计了一种新颖的配准网络来提取姿态敏感特征，并根据第一阶段的形变结果预测规范空间中对象部分点云的表示方法。 DR-Pose 在 CAMERA25 和 REAL275 基准测试上优于最先进的基于形状先验的方法。

Sep, 2023

本文提出了 DeepFLASH，这是一个新颖的网络，具有高效的训练和推理能力，可用于学习医学图像配准。我们在低维带限空间中开发了一种新的配准网络，与现有方法相比，这种方法可以大大降低昂贵的训练和推理的计算成本和内存占用。

Apr, 2020

我们提出了一种 CNN-Transformer 混合学习框架（称为 IA-VFDnet），其中包括统一的高质量多模态特征匹配模块（AKM）和融合模块（WDAF），可以应用于烟雾和野火检测，并通过对 M3FD 数据集的实验证明了其在传统注册条件下的最佳检测性能。此外，此论文还公开提供了第一个未注册的多模态烟雾和野火检测基准。

Jul, 2023

本文提出一种基于深度学习卷积神经网络的指纹细节提取新方法， 包含了传统方法的优点，并集成在一个统一的网络中，改善了涉及复杂背景噪声的潜在指纹提取。实验表明该算法优于现有的指纹细节提取算法。

Sep, 2017