激光雷达与摄影测量数据的点云配准：经典与深度学习算法的批判性综合与性能分析

计算机视觉与深度学习的最新进展在估计复杂物体与场景的未配准点云间的刚体/相似变换方面展现出有前景的性能。然而，它们的性能大多使用来自单一传感器（如 Kinect 或 RealSense 相机）的有限数据集评估，缺乏对其在摄影测量三维制图场景中适用性的全面概览。在本工作中，我们提供对最先进（SOTA）点云配准方法的全面综述，其中我们使用从室内到卫星来源的多样化点云数据来分析并评估这些方法。定量分析得以探究这些方法的优势、适用性、挑战与未来趋势。与将点点云配准作为整体过程介绍的现有分析工作不同，我们的实验分析基于其固有的两步过程，以更好理解这些方法，包括基于特征/关键点的初始粗配准，以及通过云到云（C2C）优化的稠密精配准。超过十种方法被测试，包括经典手工设计、基于深度学习的特征对应以及鲁棒 C2C 方法。我们观察到，大多数算法在我们测试的数据集上的成功率低于 40%，并且在三维稀疏对应搜索以及配准具有复杂几何与遮挡的点云方面，现有算法仍有很大改进空间。基于在三个数据集上的评估统计，我们给出了每步的最佳执行方法，提供我们的建议，并展望未来的工作。