本文提出了一个全新的点集学习框架 PRIN，即点式旋转不变网络，通过密度感知自适应抽样构建球形信号来解决点云在球形空间上的扭曲分布，运用球形体素卷积和点重采样来提取每个点的旋转不变特征，同时将 PRIN 扩展到一种稀疏版本 SPRIN，直接操作于稀疏点云。两种方法都适用于从对象分类、部分分割到三维特征匹配和标签对齐等任务，结果表明，对于随机旋转点云的数据集，SPRIN 实现了比最先进的方法更好的性能，且无需使用任何数据增强。我们还为方法实现的点式旋转不变性提供了深入的理论证明和分析。

Feb, 2021

提出一种对点云数据具有旋转不变性的点投影特征方法，可以提取严格的点云识别和分割的旋转不变表示，无需数据增强，并且优于其他最先进的方法。

Nov, 2019

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

本文提出了一种新型的点云卷积运算符，实现了旋转不变性，通过使用旋转不变的几何特征设计点云学习的卷积运算符，解决了点排序问题，并将其作为神经网络的基本构建块，能在 6 自由度变换下具有稳健性，在物体分类和分割等任务中表现出高精度。

Aug, 2019

本文提出一种简单且有效的卷积算子，通过设计强大的旋转不变特征来增强特征描绘能力，实现旋转不变性，并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。

Feb, 2022

该论文提出了一种基于点云的旋转感知大规模场景识别网络 (RPR-Net)，通过三种新的旋转不变特征（RIFs）设计一个注意模块来学习旋转不变核，并将其应用于之前的点云特征中生成新的特征，从而可以学习到高级的场景特定的旋转不变特征，实验结果表明，该方法在解决旋转问题时要明显优于其他旋转不变基线模型。

Aug, 2021

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

本研究提出了一种新的旋转不变结构，可用于操作点云数据以及在神经网络的各个层级中注入了旋转不变性。采用基于球谐函数的核心技术，实现对非刚体物体的局部旋转与整体转型的旋转不变性，并采用空间分区结构进行更高效的汇聚操作，进而最终，在不需要采用数据增广的前提下，成功地通过分类和分割任务对具有挑战性的形状数据进行了高精度的处理。

Jun, 2019

我们提出了一种基于深度学习的点云分析通用方法，对输入具有旋转不变性。通过将其作为置换不变问题进行公式化，并提出了一个通用框架，可与任何骨干网络结合使用，我们的方法在常见基准测试中相较于最先进的方法表现出显著或更好的性能，对于 3D 预训练和多模态学习等进一步研究非常有益。

Feb, 2024

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