FoldingNet：利用深度网格变形的点云自编码器

CVPRDec, 2017

FoldingNet：利用深度网格变形的点云自编码器

FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation

Yaoqing Yang, Chen Feng, Yiru Shen, Dong Tian

TL;DR本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战，其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构，并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上，从而实现了低重建误差。

Abstract

Recent deep networks that directly handle points in a point set, e.g., pointnet, have been state-of-the-art for supervised learning tasks on point clouds such as classification and segmentation. In this work, a n

point set pointnet unsupervised learning auto-encoder graph-based

发现论文，激发创造

通过图拓扑推理和过滤进行三维点云深度无监督学习

本文提出了一种深度自编码器，其中包括了图形拓扑推断和过滤模块，以实现对非结构化 3D 点云的紧凑表示，在无监督的情况下处理原始 3D 点云，优于其他目前的方法，进一步提高了无监督学习性能。

May, 2019

Pointfilter: 基于编码器 - 解码器建模的点云过滤

本文提出了一种新的深度学习方法，通过去除噪声并保持尖锐特征，自动而又稳健地过滤点云，其点对点的学习架构由编码器和解码器组成，并在视觉质量和数量误差指标方面均优于现有深度学习技术。

Feb, 2020

TearingNet: 点云自编码器学习友好拓扑表示

提出了基于拓扑结构的自编码器 TearingNet，通过拆解曲面与洞口提高表达原数据的能力和重构精度。

Jun, 2020

用于无监督点云学习的渐进式种子生成自编码器

本文提出了一种基于点云重建的学习模型 PSG-Net，它使用了新的自编码器结构，并通过无监督学习实现对点云的重建和分类，优化了传统的鉴别模型，取得了显著的效果。

Dec, 2021

WrappingNet: 深度球面变形的网格自编码器

本文提出了 WrappingNet，第一个能够在异质对象上进行通用网格无监督学习的网格自编码器，通过在瓶颈中引入新的基础图来表示网格连接性，展示了它在对象形状表示方面提供了优势，并通过改进的重建质量和竞争性分类证明了与点云学习相比的优越性，以及不同类别网格之间的潜在插值。

Aug, 2023

点云几何压缩的基于补丁的深度自编码器

本文提出了一种基于块的压缩算法，使用深度学习对点云的几何信息进行有损压缩，并取得了优于现有算法的压缩比。该算法在编解码时将点云划分为块进行压缩，使用局部重构误差作为优化标准，保证压缩后的点数与原始数据相等。同时，该算法的网络模型还可方便地应用于同类问题，例如点云上采样。

Oct, 2021

使用自适应实例规范化的点云卷积解码器

本文提出了一种使用自适应实例规范化的卷积点云解码器 / 生成器方法，以改进自动编码点云的常用 Chamfer 距离的最小化扩展，并证明了小心采样对于点云生成过程非常重要。该方法在点云上采用自动编码设置进行了定量和定性分析，结果表明该解码器能够在多个实验中胜过目前已有的技术。

Jun, 2019

深度点云重建

该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。

Nov, 2021

GeoNet: 基于深度测地线网络的点云分析

GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

Jan, 2019

PCRNet: 使用 PointNet 编码的点云配准网络

该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

Aug, 2019