提出了一种基于重建评分策略的采样方法，通过去除和重建顶点来评估每个顶点的重要性。此方法在保留点云整体几何特征的同时避免破坏小尺度结构，在保留采样点云的结构特征方面优于先前方法。

Mar, 2024

本文提出了一种新颖的深度学习方法，通过两个步骤（特征融合和形变）将随机点云变形成对象形状，从而重建单张图像的点云。通过引入一个新层 GraphX，考虑点之间的相互关系，操作无序集合。这个模型还可以生成任意大小的点云，验证了在单图像 3D 重建上超越了现有模型并将其分数减半。

Nov, 2019

本文提出了一种基于 Frequency-Selective Mesh-to-Mesh Resampling 的插值方案，用于三维彩色点云的升级，该方案在各种采样密度下表现出高性能。

Mar, 2022

这篇论文介绍了一种基于图结构和凸优化方法的技术，用于去噪 3D 点云，并简要讨论了这些方法如何自然推广到时间变化的输入，如 3D 点云时间序列。

Nov, 2015

本文提出了一种基于深度神经网络的数据驱动算法，使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样，该算法不需要硬编码规则，并能够学习属于不同对象类别的点云的潜在特征，实验结果表明，相比基于优化的上采样方法，该算法能够生成更加均匀和精确的上采样结果。

Jul, 2018

本文提出了一种基于图的方法，利用新的谱图小波描述符从 3D 点云序列的时间变化几何中提取运动信息，并通过压缩达到去除多余信息的效果。

Jun, 2015

本文提出一种可扩展且健壮的方法，通过多视点三维立体点云计算三维表面网格，能够处理点密度极大跳跃，用于提取表面假设和合并表面假设，具有卓越的精度和完整性。

May, 2017

本研究提出了一种新的方法，使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络，实现对经过重压缩的 3D 视频点云数据的提升和恢复，同时通过更少的参数达到可比较的重建质量，适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。

Jun, 2023

本文提出了一种用于聚类属性和图数据的通用框架，该框架能够探索特征和结构之间的相互作用，并具有图过滤和采样策略等优势，同时在属性和图基准测试上的实验证明了其优越性。

May, 2022

该研究提出一种支持任意上采样率的点云高精度上采样方法，包括插值和迭代优化等步骤，经过大量的基准测试和下游任务的验证，表明该方法达到了最先进的准确性和效率。

Apr, 2023