本文提出了一种有效的深度学习方法，可用于非均匀采样的点云，通过将卷积核本身表示为多层感知机，将卷积视为蒙特卡罗积分问题，使用匹配多级采样的信息，并使用泊松盘采样进行点云学习。 最终，作者通过在分级网络架构中应用该方法，赢得了大多数基于点云的任务的最佳成绩，并且本方法具有强大的鲁棒性。

Jun, 2018

该研究提出了一种自适应化下采样方法来保留点云中的重要点，使其可以与任何基于图的点云卷积层结合成为一个卷积神经网络用于3D物体分类。该方法在点云类数据集ModelNet40中取得了最佳结果。

Apr, 2019

本文介绍了一种新的差分松弛算法用于点云采样，请参考本文中的公式和实验结果，该方法在点云分类与几何重建等任务上表现优异。

Dec, 2019

本文介绍了一种名为PointASNL的新型端到端网络，旨在有效处理噪声的点云，并通过自适应采样模块和局 / 非局部模块来实现点云的鲁棒特征学习和降噪，并在各种数据集上获得了出色的性能。

Mar, 2020

本文介绍了一种基于完全卷积神经网络的技术，旨在解决点云处理过程中的数据缺失与冗余问题，该方法可以提高基于学习的和经典的点云配准方法的准确性，并在真实世界与合成数据集上进行了测试和演示。

Oct, 2020

本研究提出了一种基于深度学习的点云自适应采样和恢复方法称为点云局部可逆嵌入（PointLIE），实现了点云采样和重建的统一框架，通过双向学习，提高了采样点的恢复质量，并在定量和定性方面均优于现有的技术。

Apr, 2021

本论文提出了一种基于逐层自适应体素引导的点采样器，能够以高效的方式处理大规模场景点云，实现实时应用，并通过实验验证了该方法的有效性和高效性。

May, 2023

提出了一种基于重建评分策略的采样方法，通过去除和重建顶点来评估每个顶点的重要性。此方法在保留点云整体几何特征的同时避免破坏小尺度结构，在保留采样点云的结构特征方面优于先前方法。

Mar, 2024

本文解决了现有点云学习中的采样协议在面对传感器噪声等数据污染时的脆弱性问题。通过提出一种增强的点云采样协议PointDR，该方法结合了关键点识别和灵活样本大小的下采样与重采样策略，显著提升了点云学习的鲁棒性，尤其在受污染的点云分类任务中表现优于现有技术。

Aug, 2024

本研究解决了3D点云数据中的稀疏性、噪声和不完整性等问题。通过对深度学习在点云增强中的方法进行全面的调查，提出了一种新的分类法，并提供了系统的实验结果和观察，为未来的研究方向提供了启示。研究表明，深度学习能够有效提升低质量点云的质量和完整性。

Oct, 2024