三維計算視覺研究內容包括：
（1）三維匹配：兩幀或者多幀點雲數據之間的匹配，因為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。
（2）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，相關研究目前很火，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，光束平差法等研究。這里也將點雲的多視匹配放在這里，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Fusion融合過程在里面。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；而多視圖重建通過FUSion過程實現對模型的整體優化，保證模型最優。多視圖三維重建可以只使用圖像，或者點雲，也可以兩者結合（深度圖像）實現，重建的結果通常是Mesh網格。最典型的例子是KinectFusion，Kinfu等等.
（3）3D SLAM：點雲匹配（最近點迭代算法 ICP、正態分布變換方法 NDT）+位姿圖優化（g2o、LUM、ELCH、Toro、SPA）；實時3D SLAM算法 （LOAM）；Kalman濾波方法。3D SLAM通常產生3D點雲，或者Octree Map。基於視覺（單目、雙目、魚眼相機、深度相機）方法的SLAM，比如orbSLAM，lsdSLAM...
（4）目標識別：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、以及道路和道路附屬設施（行道樹、路燈、斑馬線等）。
（5）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后，如何有效的管理，檢索是一個很困難的問題。需要對點雲（Mesh）模型進行特征描述，分類。根據模型的特征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。
（6）語義分類：獲取場景點雲之后，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，需要為每個點雲進行Labeling。可以分為基於點的分類方法和基於分割的分類方法。從方法上可以分為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。
（7）立體視覺與立體匹配 ZNCC
（8）SFM（運動恢復結構）
（9）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。
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、隨機采樣一致性濾波。
VoxelGrid
2、關鍵點
ISS3D、Harris3D、NARF
SIFT3D、
3、特征和特征描述
法線和曲率計算 NormalEstimation 、特征值分析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
NDT 3D、Multil-Layer NDT
FPCS、KFPCS、SAC-IA
5、點雲分割與分類
分割：區域生長、Ransac線面提取、NDT-RANSAC、
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
6、SLAM圖優化
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）
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。
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/