本文提出了一种基于八叉树引导的神经网络结构和球形卷积核来进行任意 3D 点云的机器学习。该网络架构充分利用了不规则点云的稀疏性，并通过空间划分分层粗化数据表示。同时，该提议的球形核有系统地量化点邻域，以识别数据中的局部几何结构，同时保持平移不变性和不对称性。我们利用与空间位置相关联的网络神经元来指定球形核，从而避免了网络训练期间动态核生成，以实现高分辨率点云的高效学习，并在 3D 对象分类和分割的基准任务上取得了新的最先进状态，分别在 ShapeNet 和 RueMonge2014 数据集上。

Feb, 2019

本文提出了一种球形卷积核，用于高效图形卷积处理 3D 点云数据，应用于图形神经网络中，实现点云分类和语义分割。

Sep, 2019

本研究提出了一种新的旋转不变结构，可用于操作点云数据以及在神经网络的各个层级中注入了旋转不变性。采用基于球谐函数的核心技术，实现对非刚体物体的局部旋转与整体转型的旋转不变性，并采用空间分区结构进行更高效的汇聚操作，进而最终，在不需要采用数据增广的前提下，成功地通过分类和分割任务对具有挑战性的形状数据进行了高精度的处理。

Jun, 2019

本研究提出一种新的卷积方式，能够直接在 3D 点云上进行计算，并利用其环形结构捕捉每个点的局部邻域几何特征，通过应用于神经网络，实现了目标分类、部件分割和语义分割等任务，并在多个标准基准数据集上取得了比同类算法更好的结果。

Apr, 2019

本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。

Dec, 2017

通过引入球体金字塔结构和基于哈希的表示，本文提出了一种新颖的 Spherical Frustum sparse Convolution Network (SFCNet) 方法，实现了 LiDAR 点云的语义分割，避免了量化信息损失。

Nov, 2023

论文提出通过多值球面函数和在球谐域中实现球面上的准确卷积来解决 3D 卷积神经网络中的 3D 旋转等变性问题，进而提供了一种局部对称且通过平滑的频谱实现本地化滤波器的方法，同时还实现了一种用于谱域的新型池化技术，这些操作使得网络不需要过多的容量和数据增强即可在标准检索和分类基准测试中与现有的最先进性能相当。

Nov, 2017

该论文提出了一种可定向前馈的学习方法，利用球面神经元对点云进行分类，得到具有旋转等变性的滤波器组建网络，利用三角形基础来推导滤波器并构建旋转等变性的球形滤波器组。

Jun, 2021

本文提出了一种新的 3D 深度学习模型，ShellNet，它使用 ShellConv 卷积算子处理点云数据，并能够达到同类模型更高的训练速度和识别准确率。

Aug, 2019

本文介绍了一种新的卷积操作 PointConv，此操作可用于处理 3D 点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能，实验表明，PointConv 可用于挑战性的语义分割基准测试，并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。

Nov, 2018