本文提出 PPFNet——Point Pair Feature 网络，用于深度学习全局细节感知的三维局部特征描述符，以在无组织的点云中找到对应点。通过在纯几何图形上学习本地描述符，并高度关注全局上下文，实现 3D 表示为点对特征及局部邻域内的点和法向量的组合，并使用新型 N-tuple loss 和架构将全局信息自然地注入本地描述符中，实现量化和定性评价，证明了上述方法在 3D 描述符提取性能中的作用。

Feb, 2018

本文提出了一种基于数据驱动的方法来解决点云配准问题，通过增加姿态变换描述符的相对姿态估计网络来实现对于全球配准的转换线索，然后通过假设和验证算法来快速使用预测进行对齐，实验表明这种方法在点云配准问题上的表现超过了现有技术。

Apr, 2019

本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战，其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构，并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上，从而实现了低重建误差。

Dec, 2017

本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

Mar, 2020

本文提出 3DFeat-Net 算法，利用弱监督学习 3D 特征检测器和描述符，通过对齐和注意机制学习 GPS/INS 标记的 3D 点云的特征对应关系，无需显式指定匹配点群，实验表明其在室外重力对齐数据集上取得了最优表现。

Jul, 2018

本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。

Oct, 2020

提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

Feb, 2020

本文提出了一种旋转不变的深度点云网络，通过结合点的位置信息和关系特征的嵌入块，实现了对点云的分类和语义分割，能够在处理点云输入时保持状态 - of-the-art 分类性能。

Nov, 2020

本文提出了基于点分形网络的学习方法 Point Fractal Network（PF-Net），用于精确高保真度的点云补全，通过多尺度生成网络进行缺失点云的预测。同时，通过多阶段的补全误差和对抗损失来生成更真实的缺失区域，实验证明了该方法的有效性。

Mar, 2020

本论文提出了一种基于局部图表示的点云学习框架，通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性，这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能，具有重要的研究意义。

Dec, 2018