点云拼接综述

基于特征点的方法：

基于特征点的方法通过两步来解决拼接问题：（1）在两个点云之间建立点的对应关系（2）根据点的对应关系计算出点云间的变换关系。其中第一步需要设计好的特征点的描述子来描述并匹配两组点云中的特征点，文献【13】中介绍了大量的如人工设计的描述子。通常这些描述子是格局特征点及其周围的空间坐标【9、14、32】，或者曲率【4】空间分布等几何特征绘制直方图。这些方法需要在特征点周围选取一个局部空间（LRF），而选取局部空间有比较大的难度，因此PFH【27】和FPFH【26】设计了具有旋转不变性的描述子以避免LRF的选取。近期的工作通常是使用深度学习的方法来得到描述子，比如3DMatch【42】所采用的方法是首先将特征点周围的点云进行体素化之后使用采用对比损失函数的3DCNN得到描述子。由于体素化会导致点云质量的损失，所以之后提出的网络比如PPFNet【7】使用了PointNet【23，24】框架来直接从原始点云中学习特征。另外3DFeat-Net【41】和USIP【18】除了能够生成特定描述符之外还能学习检测特征点。基于特征点的算法的主要问题是需要特征点周围的点云具有独特的几何结构。另外，由于在噪声中出现的误匹配点需要通过一些具有鲁棒性的配准方法解决，必读RANSAC算法，但这些算法通常不能很好的容纳进典型的学习网络中。

手工配准方法

原始的ICP算法不再需要在：选点、参数估计、评估这一过程中重复。接下来的工作试图通过选择合适的点【10，25】或对点进行加权对应【11】来改善ICP的收敛性。文献【25】是一篇关于ICP算法的综述。然而，大多数ICP算法仍然需要比较好的初始化来避免收敛到很差的局部最小值。为解决初始化的问题，Go-ICP【40】使用一种分支定界方案来搜索全局最优的配准，但是该方法的时间复杂度明显增加了。或者可以使用软分配策略来拓宽ICP算法的收敛范围【6，12，33】。另外，RPM【12】使用了一种在软分配方案上加入一种逐渐减少软分配匹配的数量点的策略，来逐渐“硬化每次迭代的赋值”。IGSP【21】使用点的空间坐标和手工制作的BSC【8】特征作为混合度量，来度量空间上点的相似性。其缺点也很明显，所提出的方法没有进行特征学习，并且需要手动设计空间坐标特征和特征间距离的权重。

基于深度学习的拼接方法

近几年有很多曾经的算法，在被用深度学习方法改进之后性能有了明显的提升。PointNetLK【1】算法利用Pointnet【23】算法计算每个点云的全局表示，然后以类似于Lucas Kanade（光流法）算法【20，2】。后来，PCRNet[30]用深度网络代替Lucas-Kanade步骤，提高了抗噪声的鲁棒性。Deep Clostest point[35]提出了一种不同的方法。它首先提取每个点的特征，计算点云之间的软匹配，然后使用可微SVD模块提取刚性变换。尽管与传统的点云配准方法相比，上述方法具有更强的鲁棒性，但不能处理局部到局部的点云配准问题。作为一项并行工作，PRNet[36]结合了关键点检测来处理部分可见性。我们的工作使用了一种更简单的方法，并且更类似于深度最近点，但与[35]不同的是，我们的网络能够通过使用RPM的Sinkhorn归一化[31]来处理异常值和部分可见性，并使用迭代推理方法来实现高精度。