我们提出了一种新颖有效的方法来检测杂乱无序的点云中的 3D 原始体，无需辅助分割或类型说明，并考虑到了用于封装环境基本构建块 - 平面、球体、椭球体、圆锥或圆柱体的二次曲面的统一方式。本文的方法具有较高的准确性，并且是一种能够在困难场景下进行通用交叉类型多对象原始体检测的方法。

Jan, 2019

该论文提出了一种新颖的框架，用于学习 3D 点云的简洁几何基元表示。与分别表示每种基元不同，我们关注如何稳健地实现简洁且统一的表示问题。我们使用二次曲面来表示包含仅有 10 个参数的多种基元，并提出了首个端到端学习的框架 QuadricsNet 来解析点云中的二次曲面。二次曲面的数学表达与几何属性（包括类型、尺度和姿态）之间的关系被巧妙地集成，以对 QuaidricsNet 进行有效监督。此外，还收集了一个新颖的模式综合的数据集，其中包含二次曲面的分段和对象，用于训练和评估。实验证明了我们简洁表示的有效性和 QuadricsNet 的鲁棒性。我们的代码可在 https://github.com/MichaelWu99-lab/QuadricsNet 获得。

Sep, 2023

通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

Mar, 2024

本文提出了一种非参数贝叶斯统计方法用于从点云中推断抽象的三维形状，包括未知数量的基本几何基元，并展示了该方法的实验结果比现有方法更准确且具有普适性。

Mar, 2022

本文提出了一种无监督形状抽象方法，将点云转换为紧凑的长方体表示，并以分割和长方体形状的联合预测为抽象任务，以自学习的方式加强分割和形状抽象之间的一致性，该方法不需要手动注释点云中的零件。本文通过几种形状集的评估，证明了该方法优于现有的形状抽象方法，支持结构形状生成、形状插值和结构形状聚类等各种应用。

Jun, 2021

该文提出了一种使用二次曲面描述三维场景的方法，以提高 LiDAR 测距、定位和映射的空间和时间效率。通过分解成稀疏的二次曲面贴片来代替原始点云数据，该方法避免了点对点的最近邻搜索过程，具有更高的存储效率和准确性，适用于 KITTI 和 UrbanLoco 数据集中大容量点云的实验。

Apr, 2023

提出了一个用于建筑模型的框架，针对点云清理、平面检测和语义分割等挑战进行处理，通过自适应阈值技术来清除异常值，并采用稳健的 RANSAC 算法进行平面检测和基于 PointNet 架构的深度学习方法进行建筑物的语义分割，结果表明该框架在建筑模型任务中具有高效和准确性，为建筑模型领域的提高准确性和效率铺平了道路。

Feb, 2024

H3DNet 是一个用于物体检测和识别的卷积神经网络，通过预测一组混合的几何图元，即 BB 中心，BB 面中心和 BB 边缘中心以实现更准确的物体边界框检测，并利用匹配和细化模块将物体边界框分类为检测到的对象并对其几何参数进行微调。

Jun, 2020

本文介绍了一种用于零样本点云语义分割的新型框架，该框架利用了几何基元以在训练期间进行类别之间的知识转移，并使用未知感知信息熵来校准视觉与语义表示。通过大量实验，该方法在 S3DIS、ScanNet 和 SemanticKITTI 数据集上的 hIoU 指标得到了显著提升。

Oct, 2022

本文提出新的 geometry-aware objectives 的设计，生成的 $GeoA^3$ 对人类来说是无法察觉的，同时提出一个名为 $Geo_{+} A^3$-IterNormPro 的算法，该算法通过生成对抗性点云来实现面向表面的对抗性攻击。

Dec, 2019