本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

Mar, 2020

本研究提出了一种名为 2D3D-MatchNet 的深度网络结构，能够直接从图像和点云中的 2D 和 3D 关键点描述符中匹配和建立 2D-3D 对应关系，并用于视觉位姿估计，结果表明该方法是可行的。

Apr, 2019

本文提出了一种名为 3DMatch 的数据驱动模型，它可以学习用于建立局部 3D 数据对应关系的局部体积块描述符，且利用自我监督特征学习方法来汇集训练数据。实验证明，该描述符不仅可以用于重构新场景的局部几何形状的匹配，而且可以推广到不同的任务和空间尺度。

Mar, 2016

本文提出了一种基于密集神经算法的同步定位与建图方法，使用深度学习生成的点云来锚定神经场景的特征，通过最小化基于 RGBD 的重新渲染损失，实现对跟踪和地图绘制的同时处理，通过在信息密度低的区域减少运行时间和内存使用，并将更高的点密度分配给解决更细节问题。在 Replica，TUM-RGBD 和 ScanNet 数据集上相对于现有的神经 RGBD SLAM 方法获得了更好或相似的跟踪，地图和渲染准确性。

Apr, 2023

本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

Jul, 2023

本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

Oct, 2019

本文提出了一种新方法来学习本地跨域描述符，以进行 2D 图像和 3D 点云匹配，该方法是一个双自编码器神经网络，将 2D 和 3D 输入映射到共享潜在空间表示中，其共享嵌入中的局部跨域描述符比在 2D 和 3D 域中单独训练获得的描述符更具有区分度。

Nov, 2019

本文介绍了使用一维全卷积网络对点云数据进行语义标记的方法，该方法直接分析经过地形归一化后的点，并结合光谱数据以学习上下文特征。我们的方法不需要手动提取特征，且在多个方面上比传统方法表现更优越，其中包括利用 ISPRS 3D 语义标注竞赛数据获得了 81.6% 的准确率，F1 分数比最高准确率方法高 1.69%。此外，本文还展示了该方法可轻松扩展到 2D 语义分割任务。

Oct, 2017

本文提出一种新的点云注册驱动的 Siamese 跟踪框架，包括追踪特定的非本地注册模块和注册辅助的 Sinkhorn 模板特征聚合模块，以实现在精确定位物体的同时提高跟踪鲁棒性。

Sep, 2022

本文提出一种基于 DSM 和 CNN 的相机场景无关的定位方法，可应用于大范围场景，能够在时间领域实现额外的性能提升，大大优于 SANet 等现有方法。

Mar, 2021