本文提出了一种用于大规模无序点云的三维线段检测的简单而高效的算法，基于点云分割和二维线段检测，能够有效地提取三维线段，以消除离群点和合并相邻的三维线段。

Jan, 2019

基于 3D 点云数据的制造零件表面质量检测吸引了日益增多的关注。我们提出了一种基于 3D 点云数据的新型未训练异常检测方法，用于复杂制造零件，能够在无训练数据的情况下实现准确的异常检测。

Apr, 2024

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

提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。

Feb, 2022

我们提出了一种新颖有效的方法来检测杂乱无序的点云中的 3D 原始体，无需辅助分割或类型说明，并考虑到了用于封装环境基本构建块 - 平面、球体、椭球体、圆锥或圆柱体的二次曲面的统一方式。本文的方法具有较高的准确性，并且是一种能够在困难场景下进行通用交叉类型多对象原始体检测的方法。

Jan, 2019

本文提出了一种新的检测算法，能够在多种干扰条件下保持高次像素精度，包括镜头畸变、极端姿态和噪声。该算法基于粗到细的策略，包含 X 型角检测网络和三种后处理技术，以及混合亚像素细化技术和改进的区域增长策略。实验证明，与其他常用方法相比，该算法具有更高的检测率、亚像素精度和鲁棒性。最后，相机标定和姿态估计实验也验证了其在定量比较中能够获得更小的重投影误差。

Jul, 2023

本文调查和评估了一些流行的算法曲率和法向量估计方法，并提出了一种新的鲁棒性曲率估计方法，并将其与现有方法进行评估，从而证明了其对于在数据噪声较大的情况下优于现有方法。

Jun, 2023

本文提出了一种无监督方法 DeepCluster 3D Change Detection（DC3DCD），用于检测和分类多类变化，基于 3D 点云，并在模拟和真实数据集上进行了评估，结果深度聚类与标记方法相比具有较高的准确性和竞争性。

May, 2023

提出了一种基于点云的场景变化检测算法，以实现未来太空栖息地的自主机器人照料，该算法使用原始未标记点云作为输入，并通过修改的期望最大化高斯混合模型聚类和地球移动距离的比较来进行变化检测，并使用 NASA Ames Granite 实验室的测试数据集进行定量和定性验证及运行时间分析。

Dec, 2023

本研究提出一种无分割、自动、高效的检测点云中通用几何二次曲面形式的程序，并使用闭合的三维二次形式适配和本地空间投票策略来降低计算复杂度，在合成和实际数据集上证实了方法的有效性。

Mar, 2018