AI论文探讨室·A+·第24期 Deep Closest Point: Learning Representations for Point Cloud Registration

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 600+累计阅读 681平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄10年

关注

原创最新推荐文章于 2026-05-07 14:25:38 发布 681 阅读 AI 写同款· GEO 优化 ›

【论文笔记】点云配准网络 Deep Closest Point: Learning Representations for Point Cloud Registration 2019 作者：Yue Wang， Justin M. Solomon 研究机构：MIT 代码链接：代码使用概率的方法可以得到soft的结果从而保证了可微性。论文解决的问题目标任务：点云配准，输入两个点云数据，寻找点云数据之间的刚性变换，输出点云之间的变换矩阵和点云的对应关系。本文提出基于深度学习的单步（无需迭代）点云配准方法Deep Closest Point，性能SOTA，提取的点云特征在未见类别和目标上获得了很好的泛化性，以及证明了局部特征对于点云配准的促进作用。现有方法的不足 & 本.. 阅读详情

论文地址

更多《计算机视觉与图形学》知识，可关注下方公众号：

收录于

三维重建

当前文章被收录于：

三维重建

34 篇文章 3 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#三维重建

DCP（Deep Closest Point）论文阅读笔记以及详析 DCP论文阅读笔记前言本文中图片仓库位于github，所以如果阅读的时候发现图片加载困难。建议挂个梯子。作者博客:https://codefmeister.github.io/ 论文 Deep Closest Point: Learning Representations for Point Cloud Registration Author: Wang, Yue; Solomon, Justin Main Attribution 基于ICP迭代最近点算法，提出基于深度学习的DCP算法。解决了IC 阅读详情

相关推荐

【论文阅读】Deep Closest Point: 学习点云配准的表示

《Deep Closest Point: 基于深度学习的点云配准方法》提出了DCP框架，通过深度学习解决传统ICP算法的局限性。该方法采用点云嵌入网络（比较PointNet和DGCNN）、基于注意力机制的匹配模块和可微SVD层，实现端到端训练。实验表明DCP在ModelNet40数据集上优于传统方法，具有更好的鲁棒性和泛化能力。DGCNN特征提取和注意力机制显著提升性能，使DCP在机器人、自动驾驶等领域具有重要应用价值。该方法为点云配准提供了新思路，代码开源促进后续研究。

最短的捷径就是绕远路，绕远路才是我的最短捷径。 1259

(ICCV 19) Deep Closest Point: Learning Representations for Point Cloud Registration

DCP可以算是小数据集ModelNet40上使用深度学习做配准的开山之作了，首先放一下整体模型架构图：总体来说，DCP模型主要由4个部分构成： 1. 初始特征生成（Initial Feature Embedding） 2. 注意力机制模块（Attention） 3. 虚拟匹配对生成（Pointer Generation） 4. SVD解位姿下面按照这几个模块的顺序依次进行分析： Initial Feature Embedding 对于输入的X（source）与Y（target）点云，首先使用DGCN

dloading7的博客 2317

【论文阅读】Deep Closest Point: Learning Representations for Point Cloud Registration

《深度最近点：学习点云配准的表示方法》提出了一种基于深度学习的点云配准方法Deep Closest Point (DCP)。传统ICP算法容易陷入局部最优且依赖初始化，而DCP通过端到端网络架构实现更鲁棒的配准。该方法包含三个关键模块：点云嵌入网络（采用PointNet/DGCNN提取特征）、注意力机制（建立点云间软对应关系）和可微分SVD层（计算刚体变换）。实验表明DCP在ModelNet40数据集上性能优于传统方法，对噪声和密度变化具有鲁棒性，并能作为ICP的良好初始化。该研究首次将深度学习与几何方法结

最短的捷径就是绕远路，绕远路才是我的最短捷径。 954

翻译和理解：Deep Closest Point: Learning Representations for Point Cloud Registration

Title:Deep Closest Point: Learning Representations for Point Cloud Registration Authors:Yue WangJustin M. Solomon 原文链接：https://arxiv.org/abs/1905.03304 翻译: 夜晓岚渺渺（理解的不够深刻，翻译有些出入，仅作为个人的笔记和交流学习） ...

夜晓岚的博客 3948

【论文笔记】点云配准 PointNetLK: Robust & Efficient Point Cloud Registration using PointNet CVPR 2019

PointNetLK: Robust & Efficient Point Cloud Registration using PointNet CVPR 2019 论文笔记 CMU ，富士通，Argo AI 代码地址：地址 reference：链接本文针对点云配准的问题，提出PointNetLK. **核心思想：**把点云＄P_T＄和PSP_SPS通过PointNet网络映射到和ϕ(PT)和ϕ(PS)\phi(P_T)和\phi(P_S)ϕ(PT)和ϕ(PS)，目标是找出一个刚性

phy12321的博客 5185

点云配准论文阅读笔记

1.《RPM-Net: Robust Point Matching using Learned Features》 CVPR2020 论文链接：http://arxiv.org/abs/2003.13479v1 代码链接：https://github.com/yewzijian/RPMNet 解决了点云刚性配准任务中，对初始刚性变换和噪声/离群点敏感的问题。基于空间距离的最近点对应的硬赋值对初始刚性变换和噪声/离群点敏感，往往导致ICP收敛到错误的局部极小值。RPM比ICP更为健壮，但它仍然对初始化和局

m0_46471042的博客 3809

Deep Closest Point学习笔记（才开始接触点云）

Deep Closest Point学习笔记（才开始接触点云，是菜鸟，求轻喷）

drivenzyw的博客 958

3D Point Cloud Registration for Localization using a Deep Neural Network Auto-Encoder阅读笔记

LORAX(LOcalization by Registration using a deep Auto-encoder reduced Cover Set) 1. Random Sphere Cover Set (RSCS) 2. Selection of a Normalized Local Coordinate System for each Super-point 3. Depth...

Vodake的博客 5226

AI必看！2024人工智能领域最具突破性的10篇创新论文（附论文）

2024年，人工智能领域正以前所未有的速度发展，在这一年，我们见证了许多具有里程碑意义的研究，它们不仅推动了AI技术的边界，还为现实世界问题提供了革命性的解决方案。本文精选了2024年最具突破性的10篇创新论文，。这些研究成果不仅反映了当下的技术趋势，更为未来的人工智能发展奠定了重要基石。《Mamba: Linear-Time Sequence Modeling with Selective State Spaces 》，作者为卡内基梅隆大学的Albert Gu和普林斯顿大学的Tri Dao。

Python_cocola的博客 1万+

【AIS】Constructing Immune-cover for Improving Holistic Security of Spatial Adaptive Steganography

首先，从每个突变集Mutate（Abk(t)）中选择亲和力最高的抗体M(t) = {Abm kopt (t)|k∈[1，S × Ir]}加入新一代群体，保留抗体突变阶段搜索到的最优免疫加工Abm kopt (t)。为了保留优化性能较强的抗体，我们从群体P(t)中选择具有较大Ir亲和力的抗体形成集合IS(t) = {Ab(t)|Ab(t)∈TopAf f (Ir)}，其中Ir为免疫选择率，取值范围为0 ~ 1。Abxi对每个像素协同进行的免疫处理强度决定了抗体Ab的优化性能，从而影响隐写的安全性。

人生不是轨道，是旷野。希望每天都有好心情。 318

HACK RF学习之旅记录1——填坑历程

在家隔离期偶尔发现RTL SDR，是realtek芯片破解了做软件无线电，价格非常实在不到百元，功能可以玩电视广播等等。后来搜搜发现更强大的Hack RF ONE开发板，淘宝和闲鱼都看了大多都是Hack RF ONE单板999，便宜的闲鱼有600多的。还有一块扩展板是MCU+屏+时钟，看起来也很实用（非常推荐）。通过闲鱼某卖家找了渠道，从上海一家店的淘宝下单优惠价格（据说是原厂，超出想象，暗号是...

ZForce2009的博客 1万+

点云配准新思路：用Deep Closest Point替代ICP的5个实战技巧

本文深入探讨了用Deep Closest Point替代传统ICP算法进行点云配准的五个实战技巧。通过对比分析，DCP利用深度学习网络学习点云对应关系，有效克服了ICP对初始位姿敏感、易陷入局部最优的缺陷。文章详细解析了DCP的核心架构、特征网络选型、注意力模块与SVD层调优、训练策略以及工程落地集成方案，为三维重建、机器人及自动驾驶领域的开发者提供了从理论到实践的完整指南。

juice的博客 224

MT6771 Android13 背光曲线调试与光感数据校准实战

本文详细介绍了MT6771平台在Android 13系统上进行背光曲线调试与光感数据校准的实战经验。针对高亮度环境下背光误调节问题，深入分析了光感数据上报机制，并提供了驱动层配置修改、背光曲线优化及常见问题解决方案，帮助开发者快速定位并解决类似问题。

moon9的博客 288

【技术解析】Deep Closest Point：基于注意力机制的点云配准新范式

本文深入解析了Deep Closest Point（DCP）这一基于注意力机制的点云配准新范式。DCP通过结合DGCNN特征提取、Transformer注意力机制和可微SVD，显著提升了配准精度和鲁棒性，在ModelNet40数据集上误差比传统ICP降低62%。文章详细探讨了其技术原理、工程实现及工业应用案例，为点云处理领域提供了创新解决方案。

efc1234567的博客 526

图形学基础|基于SDF的卡通阴影图

图形学基础|基于SDF的卡通阴影图文章目录图形学基础|基于SDF的卡通阴影图一、前言二、SDF（Signed Distance Field）三、阴影图生成3.1 SDF生成3.2 插值参考博文一、前言回顾之前做的卡通渲染，角色面部阴影是靠一张阴影贴图实现的。为了更好地控制角色的脸部阴影，通过计算脸部朝向与光照方向的夹角和一张单色的FaceMap来判断。 FaceMap的每个像素表示：该像素判断为阴影时候需要达到的夹角。例如：当方向光正对角色的时候，夹角为0°，对应的值为0，此时，FaceMap

【黑键】 1万+

Abaqus梁模型仿真中的常见陷阱与优化策略

本文深入探讨了Abaqus梁模型仿真中的常见陷阱与优化策略，涵盖几何建模、材料属性设置、边界条件处理等关键环节。针对梁截面方向定义、网格划分、复合截面建模等典型问题，提供了实用的Python脚本示例和优化方案，帮助工程师避免计算错误并提升仿真精度。文章特别强调了动力分析中的网格密度要求和材料非线性考虑，为复杂工程应用提供专业指导。

weixin_29099217的博客 462

点云配准matlab代码_DCP: Deep Closest Point（点云匹配 ICCV 2019）

点云匹配（Point Cloud Registration）问题，在机器人、医疗图像以及其它相关的计算机视觉任务中是一个很关键的问题。本文主要介绍ICCV2019里面一篇做Registration的文章，记录一些学习笔记和心得。Deep Closest Point: Learning Representations for Point Cloud Registrationopenaccess.t...

weixin_39678531的博客 1415

国科大学习资料--模式识别与机器学习（黄庆明）--2020期末考试题

国科大学习资料–模式识别与机器学习（黄庆明）–2020期末考试题国科大学习资料–模式识别与机器学习（黄庆明）–2020期末考试题国科大学习资料–模式识别与机器学习（黄庆明）–2020期末考试题 ============================================================================================================================================================

无名何许人的博客 2609

点云配准算法-ICP改进技术刘博客：http://www.liuxiao.org/ 泡泡机器人一些PCL库学习博客或网站-几种主要的点云配准算法和开源软件库

课程： http://mesh.brown.edu/taubin/teaching.html qt and c++ http://mesh.brown.edu/DGP/assignments.html http://mesh.brown.edu/byo3d http://mesh.brown.edu/DGP/coremesh/split.html 图形学初学者，如何学习Polygon...

baidu_40840693的博客 3304

ESP32设备驱动-VCNL4040趋近传感器

VCNL4040 将趋近传感器 (PS)、环境光传感器 (ALS) 和高功率 IRED 集成到一个小型封装中。它通过CMOS工艺将光电二极管、放大器和模数转换电路集成到一个芯片中。

视觉与物联智能 945

OpenCV实战之人脸美颜美型（八）——大眼（上）

从大众审美的角度来看，眼睛适当的“变大”会让人显得更加年轻。因此美型中就有一项大眼功能，其效果就是让眼睛适当变大，这章内容就围绕着大眼算法展开。

On my way 1211

基于深度学习的点云配准Benchmark

点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨千百度@知乎来源丨https://zhuanlan.zhihu.com/p/289620126编辑丨3D视觉工坊1. 概要最近...

3D视觉工坊 5919

基于工作流的低代码AI应用开发：Flock平台核心架构与实战指南

在AI应用开发领域，工作流编排正成为连接大语言模型（LLM）能力与复杂业务逻辑的关键技术。其核心原理是将任务分解为模块化节点，通过可视化方式定义执行顺序与数据流向，从而实现灵活可控的自动化流程。这种范式极大地提升了开发效率，降低了技术门槛，使得开发者能够聚焦于业务设计而非底层代码。在技术价值层面，工作流编排支持检索增强生成（RAG）、多智能体协作等高级模式，并能通过人工干预节点确保关键流程的可靠性与合规性。其典型应用场景包括智能客服、自动化办公、数据分析助手等。本文以Flock平台为例，深入解析了如何利用其

weixin_26848497的博客 384

point cloud registration

参考博文： Fast ICP算法进行点集或曲面配准解析点云配准各种方法总结[不定时更新] 转载于:https://www.cnblogs.com/larry-xia/p/10072137.html

weixin_30586257的博客 1297

最新的sdio 4.0 spec 协议标准带书签高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准带书签高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏相关源码待公开

点云配准网络pointnetLK解读笔记（上）

该笔记源于B站视频点云PCL公众号分享之Pointnetlk解读—前半部分 1.点云配准简介由于采集的点云的不完整、旋转错位、平移错位等，使得要得到完整的点云就需要对局部点云进行配准，为了得到被测物体的完整数据模型，需要确定一个合适的坐标系，将从各个视角得到的点集合并到统一的坐标系下形成一个完整的点云，然后就可以方便进行可视化操作，这就是点云数据的配准。点云配准一开始常用的方法是IC...

dtuyg的博客 7649

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

视觉论文以及开源库

CVPR2019 全部论文汇总： https://github.com/extreme-assistant/cvpr2019 CVPR2019 论文解读 http://bbs.cvmart.net/topics/287/cvpr2019 1.Graph Attention Convolution for Point Cloud Segmentation 论文链接：https://engineeri...

weixin_42674350的博客 2696

贝叶斯统计 [韦来生编]

贝叶斯（Bayes）统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外，还要利用参数的先验信息，因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”，近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。　　本书共分六章。第1章是绪论，介绍了贝叶斯统计的若干基本概念，同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法，包括蒙特卡洛方法和马尔可夫链蒙特卡洛（MCMC）方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题，书末附有常用的几个表格和部分习题解答供读者查用。　　大约可在54学时内讲授本书的第1章至第六章的主要内容，教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲，留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。　　作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容，以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。　　本书编写准备过程中，中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版，作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

上一篇： AI论文探讨室·A+·第23期 GPU Accelerated Robust Scene Reconstruction

下一篇：刷野打怪上王者·C++篇·第1期·简介

【论文阅读】Deep Closest Point: 学习点云配准的表示

最短的捷径就是绕远路，绕远路才是我的最短捷径。

05-24

1259