提出了 PointGPT 方法来扩展 GPT 模型到点云中进行自回归生成任务的预训练，其通过多个点序列来实现学习潜在的表示，并在各种下游任务中实现了最先进的性能，特别是在 few-shot 学习方面也产生了新的 state-of-the-art 结果。

May, 2023

本文介绍了一种使用条件生成对抗网络并以无监督的方式为各种物体创建具有颜色的密集三维点云的方法，并提出了一种点变换器，该变换器通过使用图卷积逐渐增加网络规模。实验结果表明，该网络能够学习和模仿三维数据分布，并产生具有多种分辨率和精细细节的彩色点云。

Oct, 2020

基于区域转换器的自我注意力机制的增长式点云分割模型优于以往的通用类和特定类方法，通过自我注意力捕捉远距离依赖关系，在训练过程中避免了对语义标签的需求，适用于灵活的点云分割，并可应用于机器人技术、数字化双生和自动驾驶等领域。

Mar, 2024

本研究的目的是通过实验转换编码器、潜空间流模型和自回归解码器等方法来改进点云潜空间生成模型的性能，并对这些模型在不同物体类型上的生成和重构性能进行分析和比较。

Feb, 2023

本研究提出了一种基于自注意力变换器和 Gumbel 子集采样的特征提取方法，可用于处理大小变化的输入，并能够用于处理事件相机流作为点云的新领域。

Apr, 2019

利用跨注意力机制和自我关注机制设计新型神经网络 PointAttN，消除了现有方法中局部区域划分对点云密度分布敏感的问题，其在处理点云的过程中以点为基本单位进行计算，以简单而有效的方式直接建立点之间的短程和长程结构关系，因此可以精确地捕捉三维形状的结构信息，并预测具有高度详细几何形状的完整点云。PointAttN 在 Completion3D 和 PCN 等流行基准测试中优于现有技术的表现，代码可在 https URL 上获取。

Mar, 2022

本文提出了一种叫做 GrowSP 的无监督 3D 语义分割方法，其关键在于通过逐渐增长的超点来发现 3D 语义元素，并将其分组成语义元素进行最终的语义分割。我们在多个数据集上对我们的方法进行了广泛评估，证明了其在无监督基线系统中具有优异性能，并接近于经典的全监督 PointNet。

May, 2023

使用辅助分类器 GAN 和核密度估计的生成对抗网络，能够在生成高质量高多样性 3D 对象的同时实现对其属性的控制。

Feb, 2022

本文介绍了一种从符号树表示生成 3D 点云几何形状的方法，提出了一种新的条件 GAN 模型（PT2PC），它将树部分作为条件并将其纳入架构设计中，以端到端方式学习形状生成程序，在用户研究中证明了本方法在生成感知合理和多样 3D 点云方面的优势，同时提出了一种用于评估生成形状跟符号树条件是否满足的新结构度量标准。

Mar, 2020

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