本文提出了一种新的深度学习卷积方法 ShapeConv，用于处理三维点云数据的语义分割问题，该方法将深度特征分解成形状和基础两个部分进行卷积操作，不仅有效提高了分类的准确性，而且不会增加计算和存储成本。

Aug, 2021

本文提出一种 Depth-aware CNN 方法，通过引入深度感知卷积和深度感知平均池化两种直观、灵活、有效的操作，将几何信息无缝地融入 CNN 中，从而解决了 CNN 在处理几何信息上的限制问题，并且在具有挑战性的 RGB-D 语义分割基准测试上进行的广泛实验和消融研究证实了该方法的有效性和灵活性。

Mar, 2018

提出 Spatial information guided Convolution（简称 S-Conv）算法，将 RGB 特征与 3D 空间信息高效地集成，不会严重影响实时应用，可用于语义分割任务，实现出色的性能，并在 NYUDv2 和 SUNRGBD 数据集上获得最先进的性能。

Apr, 2020

通过多视角深度估计方法实现了精确简易的三维重建，在 ScanNet 和 7-Scenes 等数据集上的效果已经超过目前最先进的深度估计算法。

Aug, 2022

本文提出了一种卷积网络，可以仅仅基于单张图像预测出物体的 RGB 图和深度图，并将多幅深度图融合成完整点云后可转换成表面网格来对任意视野下的三维物体进行识别。网络通过合成的三维车和椅子模型进行训练，在有杂乱背景并搭配真实车辆图像的情况下，仍可生成合理的推测。

Nov, 2015

提出了一种 2D-3D 融合策略，将 3D 几何特征和 2D 纹理特征相结合，实现场景分类任务中的多模态融合，并通过多领域图卷积和最近体素池化等策略提高性能。实验结果表明，该方法在 RGB-D 室内场景分类任务中优于当前的技术水平。

Sep, 2020

使用 4D 卷积神经网络，通过稀疏张量和广义稀疏卷积提供的广泛高维函数，实现了针对 3D 视频的时空感知，并通过提出的混合核和三边静态条件随机场，优化了 7D 时空色度空间中的一致性问题。实验表明，与 2D 或 2D-3D 混合方法相比，只使用广义 3D 稀疏卷积的卷积神经网络可以获得更好的性能。此外，我们还表明，在处理 3D 视频时，4D 时空卷积神经网络不仅更加鲁棒，而且有时比 3D 卷积神经网络更快。

Apr, 2019

该研究提出了可变形 2.5D 卷积算子，以学习沿深度轴的感受野，可以有效地进行 RGB-D 语义分割，并具有很好的泛化能力。

Jul, 2020

通过使用深度传感器的增强现实设备，我们提出了一种实时的 RGB-D 物体检测模型，其中包括深度引导的超卷积和基于上采样的可训练融合层，提高了从原始深度图中提取深度和彩色图像特征的效率和性能，并在 NYU Depth v2 数据集上表现优于其他基于 RGB-D 的物体检测模型，在 SUN RGB-D 数据集上表现相当出色，并且在新的室外 RGB-D 物体检测数据集上也表现出色。同时，我们的模型在来自 CAD 模型和图像生成的多样化合成数据的性能评估中显示出了应用于增强现实的潜力。

Sep, 2023

利用几何图像的形式通过卷积神经网络，直接生成三维形状表面，实现形状表面的插值、发明以及从未看见的图像中恢复三维形状表面等功能。

Mar, 2017