咬合配准算法文献推荐

关于 咬合配准（Dental/Bite Registration）算法 的研究，主要集中在 口腔扫描重建、上下颌对齐、义齿设计、CBCT/IOS 融合、点云/网格配准等方向。以下是一些高质量的代表性文献推荐，涵盖经典方法、深度学习方法和基于物理的建模：

---

一、经典配准与几何方法

1. Iterative Closest Point (ICP) for Dental Models

• 标题：A 3D registration method of dental models using iterative closest point algorithm
• 期刊：Computer Methods and Programs in Biomedicine, 2011
• 链接：ScienceDirect
• 简介：早期将 ICP 应用于牙弓模型对齐，提出牙齿特征区域选取增强鲁棒性。

2. Feature-based registration using curvature

• 标题：An improved ICP algorithm for 3D point cloud registration of dental scans using curvature constraint
• 期刊：Biomedical Signal Processing and Control, 2018
• 亮点：引入曲率约束特征匹配，在牙冠边缘等区域更稳定。

---

二、咬合关系配准（Bite Registration）

3. 上下颌咬合重建方法综述

• 标题：A review of dental bite registration and occlusion reconstruction techniques
• 期刊：Journal of Dental Research, 2020（综述）
• 内容：全面讨论基于IOS 扫描仪、咬合记录夹具、CBCT + 光学配准 的多种方式。

4. 基于咬合点（interocclusal contact）匹配

• 标题：Bite registration using voxel-based matching of intraoral scans
• 会议：MICCAI, 2020
• 亮点：将上下颌扫描看作体素云进行基于体素的配准（VBR），对咬合点区域加权。

---

三、深度学习与形变建模

5. 基于深度学习的牙弓配准

• 标题：DeepReg: A deep learning framework for medical image registration
• 期刊：Medical Image Analysis, 2021
• 亮点：适用于牙弓 CBCT 与 IOS 图像的非刚性形变配准，可应用于咬合对齐。

6. Dental3DMatch: Learning-based registration

• 标题：Dental3DMatch: Learning-based matching of 3D dental models with occlusion alignment
• 会议：CVPR Workshops, 2022
• 特点：引入上下颌咬合区域监督损失进行 end-to-end 点云配准。

---

四、CBCT + IOS 配准（多模态）

7. Multimodal Registration

• 标题：Automatic multimodal registration of CBCT and intraoral scan for dental applications
• 会议：IEEE ISBI, 2021
• 亮点：采用基于特征点+纹理匹配+刚性/非刚性多级策略，自动将 CBCT 与 IOS 配准。

---

附加资源

• Survey Paper：

  • A survey of 3D tooth modeling and bite registration for dental CAD/CAM
  • 提供从扫描、建模、咬合配准到修复设计的整体视角。

• 开源项目推荐：

  • 3DTeethSeg, Dental3DMatch, PointNetLK, SuperGlue + FPFH for dental scan
  • 可用作构建 dental SLAM 或 CBCT + IOS 咬合系统的起点。

---

建议的应用场景分类

应用场景	推荐算法/文献方向
IOS 扫描上下颌对齐	ICP + 咬合点加权优化，Dental3DMatch
CBCT + IOS 融合	多模态配准 + 非刚性形变
动态咬合模拟	FEM 或物理建模 + DeepReg
多帧咬合时序建模	TSDF + 时序配准，GS-SLAM 类方法
深度学习高精度配准	FeatureNet + Transformer 匹配