三維匹配
兩幀或者多幀點雲數據之間的匹配，因爲激光掃描光束受物體遮擋的原因，不可能通過一次掃描完成對整個物體的三維點雲的獲取。因此需要從不同的位置和角度對物體進行掃描。三維匹配的目的就是把相鄰掃描的點雲數據拼接在一起。三維匹配重點關注匹配算法，常用的算法有最近點迭代算法 ICP和各種全局匹配算法。
多視圖三維重建
計算機視覺中多視圖一般利用圖像信息，考慮多視幾何的一些約束，射影幾何和多視圖幾何是視覺方法的基礎，在攝影測量中類似的存在共線方程。光束平差法是該類研究的核心技術。這裏也將點雲的多視匹配放在這裏，比如人體的三維重建，點雲的多視重建不再是簡單的逐幀的匹配，還需要考慮不同角度觀測產生誤差累積，因此存在一個針對三維模型進行優化或者平差的過程在裏面。多視圖三維重建這裏指的只是靜態建模，輸入是一系列的圖像或者點雲集合。可以只使用圖像，或者只使用點雲，也可以兩者結合（深度圖像）實現，重建的結果通常是Mesh網格。
- SFM（運動恢復結構） vs Visual SLAM [摘抄] SFM 和 Visual SLAM
- Multi-View Stereo （MVS）多視圖立體視覺，研究圖像一致性，實現稠密重建。
3D SLAM
按照傳感器類型分類：可以分爲基於激光的SLAM和基於視覺的SLAM。
基於激光的SLAM可以通過點雲匹配（最近點迭代算法 ICP、正態分佈變換方法 NDT）+位姿圖優化（g2o、LUM、ELCH、Toro、SPA）來實現；實時激光3D SLAM算法 （LOAM，Blam，CartoGrapher等）；Kalman濾波方法。通常激光3D SLAM側重於定位，在高精度定位的基礎上可以產生3D點雲，或者Octree Map。
基於視覺（單目、雙目、魚眼相機、深度相機）的SLAM，根據側重點的不同，有的側重於定位，有的側重於表面三維重建。不過都強調系統的實時性。
（1）側重於定位的VSLAM系統比如orbSLAM，lsdSLAM；VINS是IMU與視覺融合的不錯的開源項目。
（2）側重於表面三維重建SLAM強調構建的表面最優，或者說表面模型最優，通常包含Fusion融合過程在裏面。通常SLAM是通過觀測形成閉環進行整體平差實現，優先保證位姿的精確；而VSLAM通過Fusion過程同時實現了對構建的表面模型的整體優化，保證表面模型最優。最典型的例子是KinectFusion，Kinfu，BundleFusion，RatMap等等。
目標檢測與識別
無人駕駛汽車中基於激光數據檢測場景中的行人、汽車、自行車、道路（車道線，道路標線，路邊線）以及道路設施（路燈）和道路附屬設施（行道樹等）。這部分工作也是高精度電子地圖的主要內容。當然高精度電子地圖需要考慮的內容更多。同時室內場景的目標識別的研究內容也很豐富，比如管線設施，消防設施等。
形狀檢測與分類
點雲技術在逆向工程中有很普遍的應用。構建大量的幾何模型之後，如何有效的管理，檢索是一個很困難的問題。需要對點雲（Mesh）模型進行特徵描述，分類。根據模型的特徵信息進行模型的檢索。同時包括如何從場景中檢索某類特定的物體，這類方法關注的重點是模型。
語義分類
獲取場景點雲之後，如何有效的利用點雲信息，如何理解點雲場景的內容，進行點雲的分類很有必要，需要爲每個點雲進行Labeling。可以分爲基於點的分類方法和基於分割的分類方法。從方法上可以分爲基於監督分類的技術或者非監督分類技術，深度學習也是一個很有希望應用的技術。最近深度學習進行點雲場景理解的工作多起來了，比如PointNet，各種八叉樹的Net。
雙目立體視覺與立體匹配 ZNCC
立體視覺（也稱雙目視覺）主要研究的兩個相機的成像幾何問題，研究內容主要包括：立體標定（Stereo Calibration）、立體校正（Stereo Rectification）和立體匹配（Stereo Matching）。目前，立體標定主要研究的已經比較完善，而立體匹配是立體視覺最核心的研究問題。按照匹配點數目分類，立體匹配可分爲稀疏立體匹配（sparse stereo matching）和密集立體匹配（dense stereo matching）。稀疏立體匹配由於匹配點數量稀少，一般很難達到高精度移動測量和環境感知的要求。因此，密集立體匹配是學術界和工業界的主要研究和應用方向。
參考：https://mp.weixin.qq.com/s/cOHAQX12k19eogxfpk95tA
其他
- 自動造型（構型），快速造型（構型）技術。對模型進行凸分割，模型剖分，以實現模型進一步的編輯修改，派生出其他的模型。
- 攝像測量技術，視頻測量
1、點雲濾波方法（數據預處理）：
雙邊濾波、高斯濾波、條件濾波、直通濾波、隨機採樣一致性濾波。
VoxelGrid
2、關鍵點
ISS3D、Harris3D、NARF，
SIFT3D、均勻採樣，曲率方法採樣
3、特徵和特徵描述
法線和曲率計算 NormalEstimation 、特徵值分析Eigen-Analysis、EGI
PFH、FPFH、3D Shape Context、Spin Image
4、點雲匹配
ICP、穩健ICP、point to plane ICP、Point to line ICP、MBICP、GICP、NICP
NDT 3D、Multil-Layer NDT
FPCS、KFPCS、SAC-IA
5、點雲分割與語義分類
分割：區域生長、八叉樹區域生長、Ransac線面提取、NDT-RANSAC、全局優化平面提取
K-Means、Normalize Cut（Context based）
3D Hough Transform(線、面提取)、連通分析、
分類：基於點的分類，基於分割的分類；監督分類與非監督分類
目前基於深度學習的點雲語義分類比較熱：PointNet，OctNet之類的吧，需要多加關注。
6、SLAM圖優化
Ceres（Google的最小二乘優化庫，很強大）， g2o、LUM、ELCH、Toro、SPA
SLAM方法：ICP、MBICP、IDC、likehood Field、Cross Correlation、NDT
7、目標識別、檢索
Hausdorff距離計算（人臉識別），Graph Matching
8、變化檢測
基於八叉樹的變化檢測
9. 三維重建
泊松重建、 Delaunay triangulations
表面重建，人體重建，建築物重建，樹木重建。
結構化重建：不是簡單的構建一個Mesh網格，而是爲場景進行分割，爲場景結構賦予語義信息。場景結構有層次之分，在幾何層次就是點線面等幾何圖元。
實時重建：重建植被或者農作物的4D（3D+時間）生長態勢；人體姿勢識別；表情識別；
10.點雲數據管理
點雲壓縮，點雲索引（KD、Octree），點雲LOD（金字塔），海量點雲的渲染
點雲驅動的計算機圖形學主要研究應用 http://vcc.szu.edu.cn/research/2015/Points/