点云配准方法

一、非学习方法

二、学习方法

随着深度学习的发展，基于学习的点云配准方法得到广泛研究和深入发展。基于学习的点云配准方法大量借鉴了非学习的点云配准方法 的思想和深度学习方法在处理其他问题中的思想。

将深度学习用于点云是一个具有挑战性的问题，因为点云是非结构化的，点之间的关系不是明确的，点的分布密度也可能各不相同。

在点云上进行学习的方法分为3类，即基于体素的方法、基于多视图的方法和基于原始数据的方法。

基于体素的方法

基于体素的方法将点云转换为结构化的3D体素结构，并将其与3D卷积核进行卷积，用类似图像深度学习的方法卷积、池化和连接层进行学习（Maturana和Scherer，2015；Meng等，2019；Zhou和Tuzel，2018）。

缺点：尽管基于体素的方法表现出良好的性能，但由于大多数体素中都没有或者只有少量的点，这样的稀疏性会导致很高的无效内存消耗和计算量，从而导致无法将点云进行更加细致的体素划分。

基于多视图的方法

基于多视图，将3维非结构化的点云通过在多个方向上的投影转换为2维结构化的图像的集合，然后对其用图像深度学习方法处理并整合（Qi等，2016；Su等，2015；Kanezaki等，2018）。

不同于基于体素的方法，基于多视图的方法可以进行更加细致的划分，数据量不会太大即可包含丰富的纹理信息。多视图方法的限制在于视点的选择和不同视点的整合比较困难。

基于原始数据的方法

在点云上学习目前最流行、应用最广泛的方法是基于原始数据的方法。其中，PointNet是最为经典的一种基于原始数据的点