本研究提出一种无分割、自动、高效的检测点云中通用几何二次曲面形式的程序，并使用闭合的三维二次形式适配和本地空间投票策略来降低计算复杂度，在合成和实际数据集上证实了方法的有效性。

Mar, 2018

该论文提出了一种新颖的框架，用于学习 3D 点云的简洁几何基元表示。与分别表示每种基元不同，我们关注如何稳健地实现简洁且统一的表示问题。我们使用二次曲面来表示包含仅有 10 个参数的多种基元，并提出了首个端到端学习的框架 QuadricsNet 来解析点云中的二次曲面。二次曲面的数学表达与几何属性（包括类型、尺度和姿态）之间的关系被巧妙地集成，以对 QuaidricsNet 进行有效监督。此外，还收集了一个新颖的模式综合的数据集，其中包含二次曲面的分段和对象，用于训练和评估。实验证明了我们简洁表示的有效性和 QuadricsNet 的鲁棒性。我们的代码可在 https://github.com/MichaelWu99-lab/QuadricsNet 获得。

Sep, 2023

通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

Mar, 2024

该文提出了一种使用二次曲面描述三维场景的方法，以提高 LiDAR 测距、定位和映射的空间和时间效率。通过分解成稀疏的二次曲面贴片来代替原始点云数据，该方法避免了点对点的最近邻搜索过程，具有更高的存储效率和准确性，适用于 KITTI 和 UrbanLoco 数据集中大容量点云的实验。

Apr, 2023

本文提出了一种非参数贝叶斯统计方法用于从点云中推断抽象的三维形状，包括未知数量的基本几何基元，并展示了该方法的实验结果比现有方法更准确且具有普适性。

Mar, 2022

MonteBoxFinder 是一种优化算法，能够从嘈杂的输入点云中检测到 cuboids，并被证明在 ScanNet 数据集上更高效和精准。

Jul, 2022

H3DNet 是一个用于物体检测和识别的卷积神经网络，通过预测一组混合的几何图元，即 BB 中心，BB 面中心和 BB 边缘中心以实现更准确的物体边界框检测，并利用匹配和细化模块将物体边界框分类为检测到的对象并对其几何参数进行微调。

Jun, 2020

基于 RANSAC 估计器和神经网络的图元拟合算法，通过处理场景中的一部分来解析 3D 特征，进而获得更具抽象性的场景描述，在实现端到端训练的基础上，引入遮挡感知距离度量，成功地在不需要繁琐标注的情况下，实现了对真实世界 3D 场景布局的抽象。

May, 2021

本文介绍了一种用于零样本点云语义分割的新型框架，该框架利用了几何基元以在训练期间进行类别之间的知识转移，并使用未知感知信息熵来校准视觉与语义表示。通过大量实验，该方法在 S3DIS、ScanNet 和 SemanticKITTI 数据集上的 hIoU 指标得到了显著提升。

Oct, 2022

本文提出一种神经网络模型（Supervised Primitive Fitting Network），此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法，该模型在测试中表现更好。

Nov, 2018