本文介绍了一个新的 3D 形状识别框架：Point-View Network（PVNet），该框架整合了点云和多视角数据，并利用深度学习和嵌入式注意融合方案提高了 3D 形状的准确识别。

Aug, 2018

本文介绍了 MVPNet 模型，该模型使用视图选择和 2D-3D 特征聚合模块将 2D 多视图图像特征汇集到 3D 点云中，并使用基于点的网络将 3D 规范空间中的特征融合以预测 3D 语义标签。该方法在 3D 语义分割任务上，优于以前的点云方法，并且训练速度比稀疏体素方法的大型网络快得多。

Sep, 2019

本文提出了一种基于变分关系点补全网络（VRCNet）的框架，采用概率建模和关系增强技术，实现对不完整点云进行准确重建，并达到对部分点云进行 3D 分类和模型识别的目的。

Apr, 2023

该论文提出了一种基于点云的物体表面重建方法，使用编码器 - 解码器网络通过单张图片生成多种视角下的点云，并且使用几何损失函数提高表面拟合准确性。

Nov, 2018

提出了一种基于点云、体素和全景图形的融合网络 (RPVNet) 来进行细粒度分割定位任务，在深度融合框架中，利用多个互补图形视角之间的信息交互，采用门控融合模块，提出了高效的 RPV 交互机制，并在两个大规模数据集 SemanticKITTI 和 nuScenes 上展示了该方法的先进性。该方法目前在 SemanticKITTI 排行榜上排名第一，没有任何额外技巧。

Mar, 2021

本研究提出了一个新的多视图视觉提示融合网络 (MvNet)，通过利用现成的 2D 预训练模型实现 few-shot 3D 点云分类，实现了 3D few-shot 点云图像分类的最新性能。

Apr, 2023

本文提出了一种基于变分框架的点云重建方法 (Variational Relational point Completion network - VRCNet)，该方法采用了概率建模和关系增强技术实现点云的精细局部重建，同时给出了一个包含 10 万多个高质量扫描的多视角局部点云数据集 (MVP 数据集)，实验证明 VRCNet 在标准点云重建基准上的性能优于目前的最先进方法，并且在真实世界点云扫描中表现出了很好的泛化性和鲁棒性。

Apr, 2021

本文提出了一种基于卷积神经网络的关系图网络模型，该模型利用方向特征、语义特征和空间坐标，结合盒子候选回归和点注意池化，探索关系图对于提高候选物体外观特征的影响，最终成功实现了在点云中检测三维物体的任务。

Nov, 2019

本文提出了一种基于像素可见性的多视图立体网络 (PVSNet)，通过像素可见性网络学习不同邻近图像的可见性信息计算多视图相似度，构建具有可见性信息的自适应加权代价体积，并采用抗噪训练策略来区分不相关视图，实现了对强视角变化数据集的稳健密集 3D 重建，并在多个数据集上取得了最先进的表现。

Jul, 2020

本研究探讨了在计算机视觉中局部关系算子的可能性，提出了一种可扩展，有效的模块 ——group relation aggregator，并将其用于设计 RPNet。实验结果表明，对于分类而言，结构较宽的 RPNet 表现更佳，而对于分割而言，较深的 RPNet 更优。

Aug, 2021