本研究提出了一种基于先验引导的稀疏专家混合方法，旨在解决点云配准中的重叠区域模糊结构问题。实验结果显示，该方法在3DMatch和3DLoMatch基准测试中分别达到了95.7%和79.3%的配准召回率。

该研究提出了一种新型3D聚焦与匹配网络，解决了复杂场景中多实例点云配准的精确性问题，实验结果在公共基准上表现优异。

本研究提出了一种新方法INTEGER，旨在解决无监督点云配准中的优化目标不足问题。通过特征几何一致性挖掘模块，结合上下文信息和几何线索，动态适应教师网络，生成可靠的伪标签。实验结果表明，INTEGER在准确性和普遍性方面表现优异。

本研究提出了一种新型混合描述符，结合局部几何属性和学习特征传播，解决了3D点匹配和点云配准中的局部几何特征不足问题，尤其在处理噪声和低重叠点云数据时效果显著。

该研究提出了一种基于纯MLP架构的点云配准网络，解决了传统方法在资源受限环境中的高计算和内存需求问题。通过离线构建几何信息嵌入，显著降低了推理时间和资源消耗，提高了点云分析的速度和可靠性。

本文提出了一种Mahalanobis k-NN方法，用于解决点云配准中的特征匹配挑战。该方法通过结合DCP和DeepUME两种方法，在广泛基准测试中显示出显著的效果提升，使得点云少样本分类任务的准确性平均提高了约20%。

提出了一种能处理未知比例尺和极端异常值比例的点云配准鲁棒方法PCR-99，使用确定性3点采样方法和两个新机制，显著提高了速度。评估结果表明，该方法在高达98%的异常值比例下，与现有技术相比能取得可比较的性能。在99%的异常值比例下，该方法表现优于现有技术，尤其是对于未知比例尺问题，在鲁棒性和速度方面表现出明显的优越性。

该文章介绍了一种无需检测的图像和点云配准方法，通过学习全局上下文约束和跨模态相关性，使用多尺度金字塔和图像块焦点学习解决了尺度不确定性问题，提高了配准率和稳定度。

该研究提出了一种基于多任务全卷积网络和概率检测损失的关键点检测器和描述子，通过自监督学习实现全面自适应及优化。实验证明该方法在点云配准中取得了最先进的性能，并设计了一个辅助 LiDAR 里程计与建图框架，表现出有竞争力的性能。

本文研究了点云配准问题，提出了一种基于低维非线性几何结构的方法，通过在Grassmann流形和正交群上求解优化问题，找到使两个点云重合的变换。实验结果表明该方法在描述物体不同部分时特别有效。

该研究提出了一种基于多任务全卷积网络和概率检测损失的关键点检测器和描述子，通过自监督学习实现描述子的自适应和关键点检测器的优化。实验证明该方法在点云配准中表现最佳，并设计了一个关键点检测器和辅助 LiDAR 里程计与建图框架，在KITTI数据集上表现有竞争力。

AutoSynth是一种新的方法，通过自动生成3D训练数据，为点云配准任务提供优化的数据集。该方法利用合成3D数据集和元学习策略，以较低成本搜索最佳的真实点云配准训练数据，相比使用ModelNet40数据集进行训练，该方法在不同的点云配准网络上获得了一致更好的性能。

本文提出了一种用于大规模室外点云配准的深度语义图匹配方法，通过语义分割网络获得点云的语义类别标签，并使用欧氏聚类算法将相邻点进行聚类。实验结果表明，该方法的平均相对平移误差和平均相对旋转误差分别为6.6cm和0.229度。