本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016

该论文提出了一种深度学习架构，能够在点云识别中实现离散的SO（2）/SO（3）旋转等变性，通过消除置换并进行操作，提升了任何现有点云网络的性能，并在各种旋转下，展示了分类任务的最新成果。

Mar, 2019

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

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

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

本研究介绍了一种新颖的Patch-wise Rotation-invariant网格，通过Feature Disentanglement实现旋转不变性，并且Propose了一个Rotation-Invariant Geometric Relation来还原每个Patch的相对位姿信息，在3D模型分类和部分分割任务方面实现了有竞争力的结果。

Feb, 2023

我们提出了一种新颖的位置感知旋变网络，用于高效、轻量级和鲁棒的注册。网络能够提供强大的模型归纳偏差，从而学习旋变/不变特征，同时解决了已提到的限制。此外，我们还提出了一种位置感知卷积，可以更好地学习局部结构的空间信息。代码可在此链接找到。

Jul, 2024

本文解决了3D点云深度学习中旋转不变性的不足，通过提出一种新颖的旋转不变架构来提高分类与分割的准确性。该方法利用局部三角表面构建，提取高度表达的旋转不变表面特性，并整合进命名为RISurConv的注意力增强卷积算子中，从而实现高精度的3D点云分析。

Aug, 2024