PointNet：基于点集的深度学习用于三维分类和分割
本研究提出了一种基于层级神经网络的深度学习算法，可以递归应用 PointNet 模型在输入点集的嵌套划分上，并通过度量空间距离利用上下文信息进行学习，同时通过自适应的集合学习层将不同规模的特征组合，从而有效地、鲁棒地学习点集特征，达到了显著优于当前最先进方法的效果。
Jun, 2017
本文介绍了一个使用3D点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。
Dec, 2017
本文提出了两个新的操作，帮助PointNet更高效地利用局部结构以提高3D点云的语义学习效果，并通过实验证明，我们的模型可以捕获局部信息并在主要数据集上表现更好。
Dec, 2017
提出了一种用于处理大规模3D数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过3D卷积处理的能力，可用于许多3D任务的通用点云描述符。在语义体素分割，语义部分分割和3D场景字幕数据集上进行了评估。
Aug, 2018
本文介绍了一种新的卷积操作PointConv，此操作可用于处理3D点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能, 实验表明，PointConv可用于挑战性的语义分割基准测试，并在2D图像的结构相似情况下提供类似于卷积网络的性能。
Nov, 2018
本文提出了一种基于Lucas & Kanade (LK)算法的PointNet学习可变成像函数的方法，以便将其应用于点云配准问题，并且构建了一个单可训练的递归深度神经网络，提高了点云配准的计算效率以及推广到不同形状类别中的性能表现。
Mar, 2019
本研究提出了一种点关注网络，它可以在对3D点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的3D点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种3D点云。
Sep, 2019
本研究通过使用PointTriNet模型，基于局部几何数据，使用一个分类网络和一个提议网络，生成一组点的三角剖分，实现了一个不需要监督训练的，可扩展的三维几何形态学习方法。
Apr, 2020
本文对PointNet ++进行了系统性研究，提出了一组改进的训练策略和可扩展的PointNeXt，使用数据增强和优化技术以及增加模型大小来显着提高性能并在3D分类任务中实现了最新的最先进的结果。
Jun, 2022