本文提出了一种新的监督学习框架，用于将 3D 点云超分割成超点，并且利用局部几何和辐射度的深度嵌入来计算超点，从而使对象的边界呈现高对比度。该方法可以显著地提高点云超分割结果，并且可以用于改善基于超点的语义分割算法。

Apr, 2019

该研究提出了一种基于深度学习的新框架，用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术，取得了室内和户外 LiDAR 扫描分割方面的新成果。

Nov, 2017

本文提出了一种高效和可扩展的算法，使用多级分层基于图的方法结合深度，颜色和时间信息进行三维 RGBD 点云的分割，证明了深度和颜色分离进行多级分割可以获得更好的结果，并具有增量处理能力，能够对视频进行任意长度的处理。

Jan, 2018

通过利用点云的几何结构改进传输的视觉 - 语言模型，我们提出了首个无需训练的聚合技术，通过几何和语义的点级推理，在分类、部件分割和语义分割等三个任务中取得了新的技术优势。

Dec, 2023

本文提出了一种有效的视频分割方法，以一种因果的方式计算时间上连续的像素，填补因素和实时应用的需求，从而加强了图像处理和计算机视觉的分析成果。

Jan, 2013

本文通过同时利用 3D 几何和多视角图像信息来解决 3D 实例分割的挑战，引入了一种新颖的 3D 到 2D 查询框架来有效地利用 2D 分割模型进行 3D 实例分割，并通过图切割问题和图神经网络来实现场景的超点图构建和处理。实验结果表明该方法在不同类型的场景中都能实现强大的分割性能和泛化能力。

Dec, 2023

介绍了一种高效的方法，通过将大型 3D 点云的全景分割任务重新定义为可扩展的图聚类问题来进行。该方法可以仅使用本地辅助任务进行训练，从而在训练过程中消除了资源密集型的实例匹配步骤。此外，我们的方法可以轻松适应 superpoint 范例，进一步提高其效率。这使得我们的模型能够在单次推理中处理具有数百万个点和数千个对象的场景。我们的方法（SuperCluster）在两个室内扫描数据集（S3DIS Area 5 的 PQ 指标为 50.1（+7.8），ScanNetV2 的 PQ 指标为 58.7（+25.2））上实现了全景分割的最新性能。此外，我们还在两个大规模移动映射基准测试（KITTI-360 和 DALES）中取得了首个最先进的结果。我们的模型仅有 209k 个参数，比最佳竞争方法小 30 倍，训练速度最高提高 15 倍。我们的代码和预训练模型可在此 https URL 获取。

Jan, 2024

提出了一种基于 2D 监督的新型深度图卷积网络框架，用于大规模语义场景点云的分割，通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征，并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入， 即使只有单个训练样本的情况下，也能够进行自然场景下的 3D 分割训练，扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。

Apr, 2020

该研究提出了一种基于动态数据结构的卷积方法，通过全局 - 本地树结构维护局部领域信息，以及增量坐标区间树实现快速点云插入和邻域查询，从而解决在线语义三维分割与 RGB-D 重建中的挑战，实现跨帧时间上的信息融合。

Mar, 2020

提出一种新颖的 3D 分割方法，针对具有频繁物体交互的通用场景中的 3D 物体分割任务，主要通过提出适用于场景点云的树形结构表示以及一种动态管理机制来实现连接组件的分裂和合并。

Apr, 2019