与最小化点对点距离的传统算法设置的注册最小化通常可以更好地估计刚性转换。然而，最近的基于深度学习的方法最大程度地减少了点对点距离。与这些方法相反，本文提出了第一种基于深度学习的方法来点对上注册的方法。该问题的一个具有挑战性的部分是，用于点对点注册的典型解决方案需要迭代的过程来累积通过最小化线性的能量函数获得的小型转换。迭代显着增加了反向传播所需的计算图的大小，并且可以放慢前进和后退网络评估。为了解决此问题，我们将估计的刚体转换视为输入点云的函数，并使用隐式函数定理得出其分析梯度。我们引入的分析梯度独立于如何获得误差最小化函数（即刚性变换），从而使我们能够有效地计算刚性变换及其梯度。我们在几种先前的方法上实现了所提出的点对平面注册模块，这些模块可以最大程度地减少点对点距离，并证明扩展名的表现超过了基本方法，即使具有噪声和低质量的点云的点云，也通过局部点分布估算了差异。

Point cloud registration is a key problem for computer vision applied to robotics, medical imaging, and other applications. This problem involves finding a rigid transformation from one point cloud into another so that they align. Iterative Closest Point (ICP) and its variants provide simple and easily-implemented iterative methods for this task, but these algorithms can converge to spurious local optima.To address local optima and other difficulties in the ICP pipeline, we propose a learning-based method, titled Deep Closest Point (DCP), inspired by recent techniques in computer vision and natural language processing. Our model consists of three parts: a point cloud embedding network, an attention-based module combined with a pointer generation layer, to approximate combinatorial matching, and a differentiable singular value decomposition (SVD) layer to extract the final rigid transformation. We train our model end-to-end on the ModelNet40 dataset and show in several settings that it performs better than ICP, its variants (e.g., Go-ICP, FGR), and the recently-proposed learning-based method PointNetLK. Beyond providing a state-of-the-art registration technique, we evaluate the suitability of our learned features transferred to unseen objects. We also provide preliminary analysis of our learned model to help understand whether domain-specific and/or global features facilitate rigid registration.

3D point cloud registration is a fundamental problem in computer vision and robotics. Recently, learning-based point cloud registration methods have made great progress. However, these methods are sensitive to outliers, which lead to more incorrect correspondences. In this paper, we propose a novel deep graph matching-based framework for point cloud registration. Specifically, we first transform point clouds into graphs and extract deep features for each point. Then, we develop a module based on deep graph matching to calculate a soft correspondence matrix. By using graph matching, not only the local geometry of each point but also its structure and topology in a larger range are considered in establishing correspondences, so that more correct correspondences are found. We train the network with a loss directly defined on the correspondences, and in the test stage the soft correspondences are transformed into hard one-to-one correspondences so that registration can be performed by a correspondence-based solver. Furthermore, we introduce a transformer-based method to generate edges for graph construction, which further improves the quality of the correspondences. Extensive experiments on object-level and scene-level benchmark datasets show that the proposed method achieves state-of-the-art performance. The code is available at: \href{https://github.com/fukexue/RGM}{https://github.com/fukexue/RGM}.

刚性变换相关的点云的注册是计算机视觉中的基本问题之一。然而，仍然缺乏在存在噪声存在下对准稀疏和不同采样的观察的实际情况的解决方案。我们在这种情况下接近注册，融合封闭形式的通用Mani-折叠嵌入（UME）方法和深神经网络。这两者组合成一个统一的框架，名为Deepume，训练的端到端并以无人监督的方式。为了在存在大转换的情况下成功提供全球解决方案，我们采用So（3） - 识别的坐标系来学习点云的联合重采样策略等（3） - variant功能。然后通过用于转换估计的几何UME方法来利用这些特征。使用度量进行优化的Dewume参数，旨在克服在对称形状的注册中出现的歧义问题，当考虑嘈杂的场景时。我们表明，我们的混合方法在各种场景中优于最先进的注册方法，并概括到未操作数据集。我们的代码公开提供。

由于激光雷达扫描数据的大规模，噪音和数据不完整，注册Urban Point Clouds是一项艰巨的任务。在本文中，我们提出了SARNET，这是一个新型的语义增强注册网络，旨在在城市规模上实现有效的城市点云的注册。与以前仅在点级空间中构建对应关系的方法不同，我们的方法完全利用语义特征来提高注册精度。具体而言，我们提取具有高级语义分割网络的每点语义标签，并构建先前的语义零件到部分对应关系。然后，我们将语义信息纳入基于学习的注册管道中，该管道由三个核心模块组成：基于语义的最远点采样模块，以有效地滤除异常值和动态对象；一个语义增强的特征提取模块，用于学习更多的判别点描述符；语义改制的转换估计模块，该模块利用先前的语义匹配作为掩码，通过减少错误匹配以更好地收敛来完善点对应关系。我们通过使用来自城市场景的大区域的现实世界数据并将其与替代方法进行比较，从而广泛评估所提出的SARNET。该代码可在https://github.com/wintercodeforeverything/sarnet上找到。

基于学习的3D点云注册的任务已经取得了很大的进展，即使在部分到部分匹配方案中，现有方法也在ModelNET40等标准基准上产生未完成的结果。不幸的是，这些方法仍然在实际数据存在下挣扎。在这项工作中，我们确定了这些失败的来源，分析了它们背后的原因，并提出解决它们的解决方案。我们将我们的调查结果总结为一系列准则，并通过将它们应用于不同的基线方法，DCP和IDAM来证明其有效性。简而言之，我们的指导方针改善了它们的培训融合和测试准确性。最终，这转换为最佳实践的3D注册网络（BPNET），构成了一种能够在真实数据中处理先前未经操作的基于学习的方法。尽管仅对合成数据进行培训，但我们的模型将推广到实际数据，而无需任何微调，达到使用商业传感器获得的看不见物体的点云达到高达67％的准确性。

点云的特征描述符用于多种应用中，例如注册和3D点云的部分分割。毫无疑问，学习局部几何特征的判别性表示是准确的点云分析的最重要任务。但是，开发旋转或规模不变的描述符是具有挑战性的。以前的大多数研究都忽略了旋转或经验研究的最佳比例参数，这阻碍了该方法对现实世界数据集的适用性。在本文中，我们提出了一种新的本地功能描述方法，该方法对旋转，密度和比例变化具有鲁棒性。此外，为了改善本地描述符的表示，我们提出了一种全局聚合方法。首先，我们将内核沿正常方向对齐。为了避免正常矢量的符号问题，我们在切向平面中使用对称内核点分布。从每个内核点，我们首先将点从空间空间到特征空间投射，该点基于角度和距离，这是强大的到多个尺度和旋转的。随后，我们通过考虑通过全局聚合方法获得的局部内核点结构和远程全局上下文来执行图形卷积。我们在基准数据集（即ModelNet40和shapenetPart）上尝试了提出的描述符，以评估3D点云上的注册，分类和部分分割的性能。与最先进的方法相比，我们的方法表现出卓越的性能，通过减少注册任务中的旋转和翻译错误的70美元$ \％$。我们的方法还显示了具有简单和低维体系结构的分类和零件分割任务的可比性。

在这项工作中，我们解决了从点云数据估算对象的6D姿势的任务。尽管最近基于学习的方法解决此任务的方法在合成数据集上表现出了很大的成功，但我们观察到它们在存在现实世界数据的情况下失败了。因此，我们分析了这些故障的原因，我们将其追溯到源云和目标点云的特征分布之间的差，以及广泛使用的SVD损耗函数对两个点之间旋转范围的敏感性云。我们通过基于点对应的负模可能性引入损失函数来解决新的归一化策略，匹配归一化以及第二个挑战。我们的两个贡献是一般的，可以应用于许多现有的基于学习的3D对象注册框架，我们通过在其中两个DCP和IDAM中实现它们来说明它们。我们对现实的TUD-L，LineMod和canluded-LineMod数据集的实验证明了我们策略的好处。它们允许首次基于学习的3D对象注册方法在现实世界中获得有意义的结果。因此，我们希望它们是点云注册方法未来开发的关键。

高信心重叠的预测和准确的对应关系对于以部分到派对方式对齐成对点云至关重要。但是，重叠区域和非重叠区域之间存在固有的不确定性，这些区域一直被忽略并显着影响注册绩效。除了当前的智慧之外，我们提出了一种新颖的不确定性意识到的重叠预测网络，称为Utopic，以解决模棱两可的重叠预测问题。据我们所知，这是第一个明确引入重叠不确定性以指向云注册的人。此外，我们诱导特征提取器通过完成解码器隐式感知形状知识，并为变压器提供几何关系嵌入，以获得转换 - 不变性的几何形状感知特征表示。凭借更可靠的重叠得分和更精确的密度对应关系的优点，即使对于有限的重叠区域的输入，乌托邦也可以实现稳定而准确的注册结果。关于合成和实际基准的广泛定量和定性实验证明了我们的方法优于最先进的方法。代码可从https://github.com/zhileichen99/utopic获得。

这项工作调查了鲁棒优化运输（OT）的形状匹配。具体而言，我们表明最近的OT溶解器改善了基于优化和深度学习方法的点云登记，以实惠的计算成本提高了准确性。此手稿从现代OT理论的实际概述开始。然后，我们为使用此框架进行形状匹配的主要困难提供解决方案。最后，我们展示了在广泛的具有挑战性任务上的运输增强的注册模型的性能：部分形状的刚性注册;基蒂数据集的场景流程估计;肺血管树的非参数和肺部血管树。我们基于OT的方法在准确性和可扩展性方面实现了基蒂的最先进的结果，并为挑战性的肺登记任务。我们还释放了PVT1010，这是一个新的公共数据集，1,010对肺血管树，具有密集的采样点。此数据集提供了具有高度复杂形状和变形的点云登记算法的具有挑战性用例。我们的工作表明，强大的OT可以为各种注册模型进行快速预订和微调，从而为计算机视觉工具箱提供新的键方法。我们的代码和数据集可在线提供：https：//github.com/uncbiag/robot。

由于稀疏和嘈杂的测量，不完整的观察和大转化，3D对象的点云注册是非常具有挑战性的。在这项工作中，我们提出了匹配共识网络（GMCNet）的图表匹配，该网络估计了ultrange 1偏向部分点云注册（PPR）的姿势不变的对应关系。为了编码强大的点描述符，1）我们首先全面调查各种几何特征的变换 - 鲁棒性和远征性。 2）然后，我们采用新颖的转换 - 强大的点变换器（TPT）模块，以自适应地聚合有关结构关系的本地特征，其利用手工旋转 - 不变（$ RI $）功能和噪声弹性空间坐标。 3）基于分层图网络网络和图形建模的协同作用，我们提出了编码由I）从$ RI $特征中汲取的一项机会学习的强大描述符的分层图形建模（HGM）架构;并且ii）通过我们的TPT模块以不同尺度的相邻点关系编码的多个平滑术语。此外，我们用虚拟扫描构建一个具有挑战性的PPR数据集（MVP-RG）。广泛的实验表明，GMCNet优于PPR以前的最先进方法。值得注意的是，GMCNET编码每个点云的点描述符，而不使用CrossContexual信息，或接地真理对应进行培训。我们的代码和数据集将在https://github.com/paul007pl/gmcnet上获得。

本文提出了一种可对应的点云旋转登记的方法。我们学习为每个点云嵌入保留所以（3）-equivariance属性的特征空间中的嵌入，通过最近的Quifariant神经网络的开发启用。所提出的形状登记方法通过用隐含形状模型结合等分性的特征学习来实现三个主要优点。首先，由于网络架构中类似于PointNet的网络体系结构中的置换不变性，因此删除了数据关联的必要性。其次，由于SO（3）的性能，可以使用喇叭的方法以闭合形式来解决特征空间中的注册。第三，由于注册和隐含形状重建的联合培训，注册对点云中的噪声强大。实验结果显示出优异的性能与现有的无对应的深层登记方法相比。

我们提出了一种基于学习的刚性和可变形场景的基于学习方法的方法。LePard的关键特征是利用点云匹配的3D位置知识的以下方法：1）将点云表示分为特征空间和3D位置空间的架构。2）一种位置编码方法，其通过向量的点产品明确地明确地揭示了3D相对距离信息。3）修改交叉点云相对位置的重新定位技术。消融研究证明了上述技术的有效性。对于刚性点云匹配，Lepard在3DMatch / 3DLomatch基准上为93.6％/ 69.0％的注册召回设置了新的最先进的。在可变形的情况下，Lepard达到+ 27.1％/ + 34.8％的非刚性特征匹配召回，而不是我们新建的4dmatch / 4dlomatch基准测试的现有技术。

如何提取重要点云特征并估计它们之间的姿势仍然是一个具有挑战性的问题，因为点云的固有缺乏结构和暧昧的顺序排列。尽管对大多数3D计算机视觉任务的基于深度学习的方法进行了重大改进，例如对象分类，对象分割和点云注册，但功能之间的一致性在现有的基于学习的流水线上仍然没有吸引力。在本文中，我们提出了一种用于复杂对准场景的新型学习的对齐网络，标题为深度特征一致性，并由三个主模块组成：多尺度图形特征合并网络，用于将几何对应集转换为高维特征，对应加权用于构建多个候选内部子集的模块，以及命名为深度特征匹配的Procrustes方法，用于给出闭合方案来估计相对姿势。作为深度特征匹配模块的最重要步骤，构造每个Inlier子集的特征一致性矩阵以获得其主要向量作为相应子集的含义似然性。我们全面地验证了我们在3DMATCH数据集和基提ODOMOTRY数据集中的方法的鲁棒性和有效性。对于大型室内场景，3DMATCH数据集上的注册结果表明，我们的方法优于最先进的传统和基于学习的方法。对于Kitti户外场景，我们的方法仍然能够降低转换错误。我们还在交叉数据集中探讨其强大的泛化能力。

生成一组高质量的对应关系或匹配是点云注册中最关键的步骤之一。本文通过共同考虑点对立的结构匹配来提出学习框架COTREG，以预测3D点云登记的对应关系。具体地，我们将这两个匹配转换为基于Wasserstein距离和基于Gromov-Wasserstein距离的优化。因此，建立对应关系的任务可以自然地重塑成耦合的最佳运输问题。此外，我们设计一个网络，以预测点云的每个点的置信度，其提供重叠区域信息以产生对应关系。我们的对应预测管道可以很容易地集成到基于学习的特征，如FCGF或FPFH等传统描述符。我们在3DMATCH，KITTI，3DCSR和ModelNet40基准上进行了全面的实验，显示了所提出的方法的最先进的性能。

Point cloud registration is a popular topic which has been widely used in 3D model reconstruction, location, and retrieval. In this paper, we propose a new registration method, KSS-ICP, to address the rigid registration task in Kendall shape space (KSS) with Iterative Closest Point (ICP). The KSS is a quotient space that removes influences of translations, scales, and rotations for shape feature-based analysis. Such influences can be concluded as the similarity transformations that do not change the shape feature. The point cloud representation in KSS is invariant to similarity transformations. We utilize such property to design the KSS-ICP for point cloud registration. To tackle the difficulty to achieve the KSS representation in general, the proposed KSS-ICP formulates a practical solution that does not require complex feature analysis, data training, and optimization. With a simple implementation, KSS-ICP achieves more accurate registration from point clouds. It is robust to similarity transformation, non-uniform density, noise, and defective parts. Experiments show that KSS-ICP has better performance than the state of the art.

准确和高效的点云注册是一个挑战，因为噪音和大量积分影响了对应搜索。这一挑战仍然是一个剩余的研究问题，因为大多数现有方法都依赖于对应搜索。为了解决这一挑战，我们通过调查深生成的神经网络来点云注册来提出新的数据驱动登记算法。给定两个点云，动机是直接生成对齐的点云，这在许多应用中非常有用，如3D匹配和搜索。我们设计了一个端到端的生成神经网络，用于对齐点云生成以实现这种动机，包含三种新组件。首先，提出了一种点多感知层（MLP）混频器（PointMixer）网络以便在自点云中有效地维护全局和局部结构信息。其次，提出了一种特征交互模块来融合来自交叉点云的信息。第三，提出了一种并行和差分样本共识方法来基于所生成的登记结果计算输入点云的变换矩阵。所提出的生成神经网络通过维持数据分布和结构相似度，在GAN框架中训练。 ModelNet40和7Scene数据集的实验表明，所提出的算法实现了最先进的准确性和效率。值得注意的是，与基于最先进的对应的算法相比，我们的方法减少了注册错误（CD）的$ 2 \次数为$ 12 \倍运行时间。

通信搜索是刚性点云注册算法中的重要步骤。大多数方法在每个步骤都保持单个对应关系，并逐渐删除错误的通信。但是，建立一对一的对应关系非常困难，尤其是当将两个点云与许多本地功能匹配时。本文提出了一种优化方法，该方法在将部分点云与完整点云匹配时保留每个关键点的所有可能对应关系。然后，通过考虑匹配成本，这些不确定的对应关系通过估计的刚性转换逐渐更新。此外，我们提出了一个新的点功能描述符，该描述符衡量本地点云区域之间的相似性。广泛的实验表明，即使在同一类别中与不同对象匹配时，我们的方法也优于最先进的方法（SOTA）方法。值得注意的是，我们的方法在将真实世界的噪声深度图像注册为模板形状时的表现优于SOTA方法。

我们通过同步在点云上定义的学习函数的地图同步地图来共同寄存多种非刚性形状的新方法。尽管处理非刚性形状的能力在从计算机动画到3D数字化的各种应用中都是至关重要的，但文献仍然缺乏围绕闭塞观察到的真实，嘈杂的扫描的集合的稳健和灵活的框架。给定一组这样的点云，我们的方法首先计算通过功能映射参数化的成对对应关系。我们同时学习潜在的非正交基础函数，以有效地规范变形，同时以优雅的方式处理闭塞。为了最大限度地受益于推断成对变形字段提供的多向信息，我们通过我们的新颖和原则优化配方将成对功能映射与周期一致的整体同步。我们通过广泛的实验证明了我们的方法在注册准确性中实现了最先进的性能，同时可以灵活，高效，因为我们在统一框架中处理非刚性和多体案例并避免昂贵的优化优化通过使用基函数映射的置换。

3D点云登记在遥感，摄影测量，机器人和几何计算机视觉中排名最基本的问题。由于3D特征匹配技术的准确性有限，因此可能存在异常值，有时即使在非常大的数字中，则在该对应中也是如此。由于现有的强大的求解器可能会遇到高计算成本或限制性的稳健性，因此我们提出了一种名为VoCra（具有成本函数和旋转平均的投票的新颖，快速，高度强大的解决方案，为极端异常率的点云注册问题。我们的第一款贡献是聘请Tukey的双重强大的成本来引入新的投票和对应分类技术，这证明是在异常值中区分真正的入世性，即使是极端（99％）的异常率。我们的第二次贡献包括基于强大的旋转平均设计时效的共识最大化范例，用于在通信中寻求Inlier候选人。最后，我们使用Tukey的Biweight（GNC-TB）应用毕业的非凸性，以估计所获得的Inlier候选者的正确变换，然后使用它来找到完整的Inlier集。进行了应用于两个实体数据问题的标准基准和现实实验，并且我们表明我们的求解器VORCA对超过99％的异常值较高，而且比最先进的竞争对手更多的时间效率。