什么是目前被认为是2D点匹配的"最佳"算法？

我有两个包含xy坐标(星星)的列表.我也可能有每颗恒星的亮度(亮度).现在每颗星都有随机的位置抖动,每张图像中可能会有一些额外或缺失的点.我的问题是,"这种数据集的最佳2D点匹配算法是什么？" 我想两者都是简单的线性(平移,旋转,缩放)和非线性(比如坐标中的n次多项式).在点匹配领域的术语中,我正在寻找能够在具有噪声和杂散点的2D点匹配程序之间的枪战中获胜的算法.可能存在不同的"获胜者",这取决于是否使用标签信息(幅度)和/或变换被限制为线性.

我知道有许多类别的2D点匹配算法和每个类中的许多算法(实际上可能总共数百个)但我不知道哪个(如果有的话)被认为是"最好的"或"最标准的"由计算机视觉领域的人.可悲的是,我想读的很多文章都没有在线版本,我只能阅读摘要.在我确定一个特定的算法来实现它之前,很高兴听到一些专家将小麦与谷壳分开.

我有一个使用三角形的工作匹配程序,但它经常失败(约5%的时间),这样解决方案转换有明显的扭曲,但没有明显的原因.这个程序不是我写的,而是来自近20年前写的一篇论文.我想编写一个执行最强大的新实现.我假设(希望)在这个领域取得了一些进展,这使得这看似合理.