本文提出 PPFNet——Point Pair Feature 网络，用于深度学习全局细节感知的三维局部特征描述符，以在无组织的点云中找到对应点。通过在纯几何图形上学习本地描述符，并高度关注全局上下文，实现 3D 表示为点对特征及局部邻域内的点和法向量的组合，并使用新型 N-tuple loss 和架构将全局信息自然地注入本地描述符中，实现量化和定性评价，证明了上述方法在 3D 描述符提取性能中的作用。
Feb, 2018
本文介绍了一种基于改进的点对特征算法的 6D 姿态估计方法，应用于 ICCV 2017 举办的 SIXD Challenge 数据集，并报告了所有数据集的平均召回率为 0.77，总召回率分别为 0.82、0.67、0.85、0.37、0.97 和 0.96。
本文提出了一种新的基于点对特征的类别级别投票方法来实现野外物体的精准、鲁棒和可推广的 9D 姿态估计，并在标准基准测试中证明了该方法与目前现有技术相当。
Mar, 2022
该研究提出了一种针对局部 3D 点云的通用模型，该模型引入了本地点集投票策略，能够解决现有算法在应用于不完整点云时表现不佳的问题，并在形状分类、部分分割和点云补全方面取得了最先进的性能。
Jul, 2020
本文提出了一种针对点云的三维目标检测新方法 PV-RCNN，通过点和体素两个方面来深度整合特征学习，采用体素到关键点场景编码和关键点到网格 RoI 特征抽象两个创新步骤，更高效准确地实现三维目标检测。PV-RCNN++ 框架通过部分区域划分建议 - 中心采样和 VectorPool 池化等两种策略，在更低资源消耗下实现了更优秀的性能，相比 PV-RCNN 在保持准确率的同时提高了 3 倍速度，并在大规模 Waymo 开放数据集上取得了最先进的三维检测性能。
Jan, 2021
本文提出了一种基于学习的方法，用于在点云数据中完成刚性物体的 6 自由度姿态估计，并且相比于使用 RGB 信息进行物体检测的方法，本方法可以通过初始检测到最终转换估计阶段处理无序的点集来实现准确的姿态估计，有些情况下还能够超过在相同数据上训练的最先进的方法.
Dec, 2019
本研究提出了 PPF-FoldNet，它基于基于折叠的自编码器计算点对特征，可以用于学习 3D 本地描述符，具有旋转不变性，并且在标准基准数据集上取得了最新的结果。
Aug, 2018
为了解决噪声、不规则采样密度和遮挡等点云数据中的物体检索和分类问题，本文提出了一种针对于噪声和遮挡具有鲁棒性且检索准确率高的点对描述符，进一步展示了如何将该描述符用于对象分类的 4D 卷积神经网络，提出了一种能够学习描述符直方图中类别特定聚类的新型 4D 卷积层，最后在三种基准数据集上进行实验验证，证实了该方法的优越性。
Apr, 2018
本文提出了一种基于数据驱动的方法来解决点云配准问题，通过增加姿态变换描述符的相对姿态估计网络来实现对于全球配准的转换线索，然后通过假设和验证算法来快速使用预测进行对齐，实验表明这种方法在点云配准问题上的表现超过了现有技术。
Apr, 2019
提出了 IterativePFN、一种基于神经网络的迭代滤波方法，在高噪声条件下比先前方法表现更好
Apr, 2023