本文介绍了一种针对稀疏三维数据的深度学习表示方法 OctNet，通过使用一组不平衡的八叉树对空间进行分层划分，在每个叶子结点存储池化特征表征，从而实现了既有深度又有高分辨率的三维卷积网络，探究了分辨率对 3D 物体分类、方向估计和点云标记等任务的影响。

Nov, 2016

O-CNN 是一种基于八叉树结构的 3D 形状分析卷积神经网络，通过将 3D 模型的平均法向量作为输入并在被 3D 形状表面占用的八叉树执行 3D 卷积操作，在 GPU 上高效执行整个网络的训练和评估，在物体分类、形状检索和形状分割等三个任务上显示出高效和有效性。

Dec, 2017

本文提出了一种新的基于占据网络的、在 3D 重建方面使用的表示方法，可以在计算和内存效率上实现任意拓扑的高分辨率几何表示，并通过各种输入进行推断，产生竞争力的结果。

Dec, 2018

提出了一种自适应八叉树卷积神经网络（Adaptive O-CNN），用于高效的三维形状编码和解码，通过不同于体素或八叉树方法以相同分辨率表示三维形状的方式，Adaptive O-CNN 在不同级别使用八分之一的八叉树表示，并在每个八叉树的八分之一上用平面路径表示三维形状，在减少内存和计算成本的同时提供了比现有的 3D-CNN 方法更好的形状生成能力。

Sep, 2018

本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

Mar, 2020

通过采用扩张卷积和残差连接等现代卷积神经网络的高效和灵活的元素，该研究提出了一种高分辨率、紧凑的卷积神经网络，用于分割体积图像，并证明了其比现有的体积分割网络更紧凑，能够对大规模图像数据进行 3D 表示的学习，应用于神经解剖学结构的分割。同时也展示了通过 dropout 实现体素级不确定性估计的可行性。

Jul, 2017

本文探讨了三维数据表示方式的重要性，使用基于体素的模型来进行形状建模和物体分类，并提出了训练基于体素的变分自编码器、探索潜空间的用户界面和采用深度卷积神经网络实现物体分类的方法。最终在 ModelNet 基准测试中，我们的模型相较于最新技术提升了 51.5% 的物体分类准确率。

Aug, 2016

使用多分辨率树形网络来处理点云实现三维形状的理解和生成，可用于分类形状和学习点云形状的无监督生成，表现优于现有基于点的架构。

Jul, 2018

用深度学习方法，采用 O-CNN 和 U-Net 结构，在保留输入几何形状和从数据中学习几何形状之前，通过引入新的输出引导跳过连接的网络结构对输入的嘈杂和不完整形状或场景进行了完整性处理，并在三维形状完整性和语义场景计算方面取得了最先进的结果。

Jun, 2020

本文提出了一种新型的无损点云压缩算法，采用神经网络来估计体素的编码概率，通过表示为八叉树，以从低分辨率开始，逐层编解码的方式来占据状态，并利用神经网络对占据状态进行建模，具有快速和慢速版本，并在基准数据集上取得了最新成果。

Jun, 2021