3D Registration in 30 Years: A Survey

三维点云配准是计算机视觉、计算机图形学、机器人学、遥感等领域的一个基本问题。在过去的三十年中，我们见证了这一领域众多解决方案的惊人进展。尽管已经有一些相关的综述研究，但它们的覆盖范围仍然有限。在这项工作中，我们对三维点云配准进行了全面的综述，涵盖了包括成对粗配准、成对精配准、多视图配准、跨尺度配准和多实例配准等子领域。本综述全面介绍了数据集、评估指标、方法分类以及优缺点的讨论，并提出了对未来方向的深刻见解。该综述的项目页面会定期更新，可在 https://github.com/Amyyyy11/3D-Registration-in-30-Years-A-Survey 获取。

该论文试图解决3D点云配准这一在计算机视觉、计算机图形学、机器人技术、遥感等多个领域中的基础问题。尽管过去三十年中已有许多解决方案，但现有综述的覆盖范围仍然有限，因此需要一个更全面的总结。

关键思路在于提供一个涵盖多个子领域的全面综述，包括粗配准、精细配准、多视图配准、跨尺度配准和多实例配准。相比当前的研究状况，这篇论文不仅总结了现有的方法和技术，还对不同方法的优点和缺点进行了深入讨论，并提出了未来的研究方向。

论文的亮点包括：1) 覆盖了广泛的子领域，确保了内容的全面性；2) 提供了详细的评估指标和数据集信息，有助于研究者进行对比和验证；3) 包含了对未来研究方向的深刻见解；4) 提供了一个定期更新的GitHub项目页面，方便社区跟进最新进展。此外，论文还提供了开源代码和数据集链接，便于后续研究。

最近在这个领域中，相关的研究还包括：1)《Deep Closest Point: Learning Representations for Point Cloud Registration》；2)《PointNetLK: Robust & Efficient Point Cloud Registration using PointNet and Lucas-Kanade》；3)《FCGF: Fully Convolutional Geometric Features for 3D Point Clouds》等。这些研究主要集中在改进配准算法的精度和效率，以及利用深度学习方法来处理大规模点云数据。