本文提出了一种用于不同形状分析任务的通用和高效形状编码网络的无监督方法，具体方法是联合编码和学习来自未标记的三维点云的形状和点特征，使用基于八叉树的卷积神经网络来进行编码，并设计了一个简单而高效的多分辨率实例判别损失，本方法不仅表现出了所有无监督方法中最佳的性能，还在小标记数据集的任务中表现出了与监督方法有竞争力的性能，甚至在细粒度形状分割任务中超过了现有的监督方法。

Aug, 2020

本文提出了一种新的置换不变网络用于 3D 点云处理，该网络由循环集编码器和卷积特征聚合器组成，对于无序点集，使用循环神经网络（RNN）对其进行编码并将功能集成到 2D 卷积神经网络（CNN）中，用于层次化特征聚合，该网络在空间特征学习方面表现出色，在多个基准测试中表现优异， 与最新技术水平相比也更加高效。

Nov, 2019

提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力，可用于许多 3D 任务的通用点云描述符。在语义体素分割，语义部分分割和 3D 场景字幕数据集上进行了评估。

Aug, 2018

本文介绍了一种名为 DRNet 的基于不同分辨率学习点云本地特征的网络，并提出了一种局部邻域搜索的新型分组方法和用于捕获局部特征的误差最小化模块，该网络在 ModelNet40，ShapeNet 合成和 ScanObjectNN 真实点云数据集上显示出优越性能。

May, 2020

使用深度神经网络从单一图像中重建 3D 点云坐标，设计了面对真实世界几何转换不变性和地面真实性模糊的问题的新型方法，包括条件形状采样器，能够预测多个可能的 3D 点云。在实验中表现优异，不仅在单图像 based 3D 重建基准测试中胜过现有技术，也在形状补全方面表现出强大性能，有望在多个可能性预测方面表现出色。

Dec, 2016

本文介绍一种基于深度卷积解码器的体积 3D 输出生成体系结构，该体系结构采用八叉树表示方式，在使用有限内存的同时提升生成分辨率，适用于多种应用领域，包括 3D 自编码器、基于单张图片的 3D 形状生成等。

Mar, 2017

本文介绍了一种新的深度学习架构 (Kd-network)，适用于 3D 模型识别任务，可以处理非结构化点云数据，在常用的形状分类、检索和部分分割任务中表现出了竞争性的性能。

Apr, 2017

PointTree 是一个基于松弛 K-D 树，采用主成分分析作为分割规则的点云通用编码器，通过前向预对准进一步提高其鲁棒性，结合点描述符和点最大化操作达到优足以处理变形的点云数据的目标，在各种基准数据集上，其表现优于现有最先进方法。

Aug, 2022

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

该研究提出了一种无监督的多任务模型，用于联合学习点云上的点和形状特征，并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明，与之前的无监督模型相比，该模型在形状分类和分割基准上表现优异。在 ModelNet40 分类任务中，准确率达到 89.1％，在 ShapeNet 分割任务中，mIoU 为 68.2％，准确率为 88.6％。

Oct, 2019