ICP算法通过迭代的方式解决点云的刚性配准: (1) 基于最近空间距离寻找hard的点对应关系; (2) 求解最小二乘变换。其中第(1)步对待配准点云的初始位置和噪声点/离群点敏感，会导致迭代收敛到错误的局部最小值。在本文中，作者提出了RPM-Net，一种对初始化不太敏感且鲁棒的、基于学习的用于刚性点云配准方法。为此，RMP-Net使用可微的Sinkhorn层和退火(Annealing)技术，利用从空间坐标和局部几何信息中学习到的混合特征，实现点对应(point correspondences)的软(soft)分配。为了提高配准性能，作者引入了第二个网络来预测最佳退火参数。与现有的一些方法不同，RPM-Net可以处理部分可见和丢失correspondences的点云。实验结果表明，与现有的非深度学习和最近的基于深度学习的方法相比，RPM-Net达到了SOTA。