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

本研究提出PointDSC，一个基于深度学习的神经网络，在点云配准中明确地引入空间一致性，通过非局部特征聚合模块和可微分谱匹配模块进行同型剪枝，实现对离群点对应关系的修剪，结果表明PointDSC在多个实际数据集上比基于手工和基于深度学习的离群点拒绝方法都有更好的表现，并通过与不同的3D局部描述符进行组合来展示其广泛的适用性。

Mar, 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

提出了一种应用图论框架的全局点云配准方法，利用语义线索缩小点云规模解决点云之间重叠度低的问题，通过构建金字塔图进行多级一致性阈值匹配，用级联式梯度上升方法解决最密团问题，得到多个位姿候选项，并通过快速几何验证选择最佳估计。实验证明，尽管点云之间重叠度低且语义质量低，该方法实现了最高的成功率。

Jul, 2023

我们提出了一种有效的无监督点云配准方法，通过捕捉源点云与其对应的参考点云副本之间的几何结构一致性，实现了对内点的可靠估计和自监督信号，从而提高了匹配的准确度和优化模型完成的鲁棒性。

Jul, 2023

图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态，并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性，这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征，通过匹配这些几何特征，显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上，通过直接利用这两种特征，该方法平均提高了20.6％的内点比率、三倍的内点数目和48.6％的配准召回率相比现有最先进方法。

Oct, 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

本研究提出了一种零样本点云配准方法ZeroReg，通过将图像特征从关键点传递到点云中，利用3D几何邻域信息构建时引入的图像特征来解决传统方法中需要在特定数据集上进行训练的问题，因此，ZeroReg可在点云配准任务中实现出色的性能。

Dec, 2023