fast global registration

快速全局配准（Fast Global Registration）是一种点云配准算法，可以快速地将两个点云进行配准，实现点云的对齐。该算法基于SVD分解和ICP算法，具有高效、准确、鲁棒等特点，被广泛应用于三维重建、机器人导航、自动驾驶等领域。

相关问题

q.-y. zhou, j. park, and v. koltun, fast global registration, eccv, 2016.

"Fast Global Registration" 是一篇由Q.-Y. Zhou、J. Park和V. Koltun于2016年发表在ECCV会议上的论文。该论文的主要目标是提出一种快速而准确的全局配准算法。

全局配准是计算机视觉领域中的一个重要任务，其目标是将两个或多个不同视角或不同时间点的点云数据对齐，以便进行后续的分析和处理。全局配准在许多应用中发挥着重要作用，如SLAM（同时定位与地图构建）、物体识别和三维重建等。

论文中提出的Fast Global Registration算法通过使用一种基于特征的策略，以快速和有效的方式进行配准。该算法首先使用一种称为FPFH（Fast Point Feature Histograms）的特征描述子对点云进行特征提取。然后，通过使用一个几何一致性检验来找到两个点云之间的初始变换矩阵。最后，使用非线性最小二乘（nonlinear least squares）来优化变换矩阵，以在全局范围内获得更好的配准结果。

该算法的主要贡献是提出了一种高效的全局配准框架，能够在短时间内处理大规模的点云数据。相比于传统的全局配准算法，Fast Global Registration具有更高的计算效率和更好的配准准确性。

根据论文作者提供的实验证明，Fast Global Registration算法在不同数据集上的表现都非常出色。它不仅能够在几乎相同的时间内实现比传统方法更好的配准效果，而且在处理大规模数据时也能够保持其优势。

总之，Q.-Y. Zhou、J. Park和V. Koltun在论文"Fast Global Registration"中提出了一种高效的全局配准算法，该算法在计算效率和配准准确性方面都取得了较好的结果。这项研究对于点云数据处理和计算机视觉领域具有重要意义。

deep global registration

通过引用和[3]，作者实施了基于3DMatch的pairwise registration实验来证明Deep Global Registration算法的有效性。Deep Global Registration（DGR）是一个基于correspondence的partial-to-partial registration通用框架，它采用了outlier filter策略来获取可靠的inliers，并使用SVD得到鲁棒的transformation。与Fast Global Registration（FGR）相比，DGR采用了流形学习Weighted Procrustes Robust Refinement过程进行滤波，并使用FCGF作为特征输入，而不是采用FPFH。