该研究提出了一种创新的层次感知三维点云学习（HEA-Net）方法，通过关注边缘特征来解决点云数据中的噪声问题，改善物体识别和分割。该方法结合了边缘感知的概念，使用具有边缘焦点的局部和全局嵌入的本地和全局网络学习范式的独特融合，以提升对点云的分类和分割效果。实验证明，该方法在目标分类和分割任务中优于现有技术。

Sep, 2023

本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

Jan, 2018

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

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

本文提出了一种新的参数化方法，使用 Scale-Space 矩阵存储每个点周围不同尺度的重建形状的微分信息，从而提供了足够的信息，使得一个充分的神经网络能够学习边缘，并在获取的点云中高效地检测它们。之后，我们提出了一种新的轻量级神经网络结构，其在学习时间、处理时间和分类能力方面均优于 CNN，具有紧凑结构、需要较少的学习集、训练速度非常快且可以在几秒钟内对数百万个点进行分类。

Nov, 2020

提出了一种名为 Aligned Edge Convolutional Neural Network (AECNN) 的神经网络，通过学习相对于局部参考框架的点云特征表示来实现旋转不变性，并在点云分类和部分分割任务中表现出比其他技术更强的鲁棒性，而不需要使用额外的数据增强。

Jan, 2021

本研究通过设计一个新的两流全卷积网络，提出了一个联合学习方法来同时处理 3D 语义分割和 3D 语义边缘检测问题，特别是设计了一个联合调优模块来明确地连接区域信息和边缘信息，通过提出的新型损失函数，实现了更好的语义分割结果的同时改善边缘信息，结果显示该方法在 S3DIS 和 ScanNet 数据集上获得了与最先进方法相当或更好的性能，优于语义边缘检测的基准方法。

Jul, 2020

本文提出了一种高效的点云学习网络 (EPC-Net) 以形成全局描述符用于视觉地方识别，该网络具有良好的性能并且可以降低计算内存和推理时间，通过在代理点和空间相邻矩阵上进行简化的边缘卷积实现对点云本地几何特征的聚合，然后设计轻量级分组 VLAD 网络 (G-VLAD) 以形成检索的全局描述符。

Jan, 2021

本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

Sep, 2019

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