使用图上的局部频率和非局部自相似进行点云修补
本文提出一种基于低维流形模型和图拉普拉斯正则化器的 3D 点云去噪方法，通过近似离散观测的流形维度计算，并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构，并取得了比当前最先进方法更好的性能和更好的结构特征保持。
Mar, 2018
本研究提出一种自我先验的网格修补框架，通过引入两个自监督图卷积网络训练来实现，从而在不需要任何训练数据集的情况下只需一个不完整的网格作为输入，并在修补过程中保持原始多边形网格格式，最终可以生成一个修补好的多边形网格。
May, 2023
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
本文通过自监督学习中的修补法算法 PointPnCNet，使用 LiDAR 数据进行点云补全，以解决遮挡问题，我们的方法在 ShapeNet 和 Semantic KITTI 的数据集中，表现优于前人的无监督和弱监督方法。
Nov, 2021
本文提出了一种基于图卷积操作的全新的可端到端训练的神经网络架构，该架构创建具有非局部感受野的神经元，从而利用网络的强大表示学习能力来发现自相似模式，并通过轻量级的基于边缘条件的卷积来解决梯度消失和过参数化问题。实验结果表明了在合成高斯噪声和真实噪声上的最先进性能和改进的定性和定量结果。
Jul, 2019
本文介绍了一种基于图无穷 - Laplace 算子的、适用于有限带权图上的流形值数据的非局部修复方法，并推导了一个显式的数值解法，该方法在两类合成流形值图像上得到了验证。
Apr, 2017
该研究提出了一种针对音频信号中长时间数据丢失的新方法，基于图表达时间持久的频谱相似度来遮盖信号缺陷，通过优化方案和平滑插入到丢失或失真的信号区域，该算法在多种真实世界音乐信号测试中表现出了极具前景的结果。
Jul, 2016