本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法，通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索，与竞争方案相比，该架构具有更稳定的性能。

Nov, 2018

本文提出了一种基于图卷积神经网络的 LDGCNN 模型，用于直接分类和分割点云。通过理论分析、可视化和实验验证，证明了 LDGCNN 在 ModelNet40 和 ShapeNet 数据集上的优异性能。

Apr, 2019

该论文提出了一种新的神经网络模块 EdgeConv，用于处理点云数据的图形分类和分割任务，它在每个层动态计算出图形，具有可堆叠和可微性等优点，并通过一些标准基准测试展示了优异性能。

Jan, 2018

本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

Dec, 2020

本文提出一种基于图卷积层的深度神经网络，能够优雅地处理学习型点云处理方法所遇到的置换不变性问题，通过动态构建邻域图来建立特征的复杂层次结构，与促进接近理想表面的损失相结合，该方法在各种指标上都明显优于现有方法，特别是在高噪声和结构噪声等实际情况下表现尤为稳健。

Jul, 2020

提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

May, 2019

提出了 PointRGCN—— 一种基于图卷积网络（GCN）的图形三维物体检测管道，该管道专门用于对三维 LiDAR 点云进行操作，包含 R-GCN 和 C-GCN 的残差 GCNs 的集成，使用图形表示对三维物体提议进行了改进，并在 bird eye 视图检测任务的简单难度上实现了最先进的性能。

Nov, 2019

本研究提出了一种新的方法，使用特定设计的图卷积网络以及结合动态边卷积和图注意力网络，实现对经过重压缩的 3D 视频点云数据的提升和恢复，同时通过更少的参数达到可比较的重建质量，适用于例如自动驾驶中使用的 LiDAR 等边缘计算设备。

Jun, 2023

本文提出了名为 Grid-GCN 的方法，用于快速和可扩展的点云学习。Grid-GCN 使用一种新颖的数据结构策略，Coverage-Aware Grid Query（CAGQ），通过利用网格空间的效率，提高了空间覆盖范围，同时减少了理论时间复杂度，具有很高的速度和可扩展性。Grid-GCN 在各类点云分类和分割基准测试中都表现优异，并且比以前的研究运行速度更快。值得注意的是，在使用 81920 个点作为输入场景进行 ScanNet 推理时，Grid-GCN 实现了 50fps 的推理速度。

Dec, 2019

本文提出了一种名为 Graph R-CNN 的二阶段三维目标检测器，它使用动态点聚合、RoI-graph 池化和视觉特征增强等方法，解决了现有二阶段三维目标检测器处理不均匀分布和稀疏室外点时的效率问题，并在 KITTI 和 Waymo Open Dataset 上大幅优于现有模型。

Aug, 2022