基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征，并使用共享编码器层来训练两个分割和描述头，该方法在无初始变换输入的情况下验证了自己的有效性，对于各种计算机视觉任务具有广泛的应用价值。

Aug, 2022

本文提出了基于对称性和密度自适应阈值的边缘检测方法和基于聚类曲率向量的角点检测方法，对 RGB-D 语义分割和 3D 模型进行了验证，在机器人焊接的自动化中提出了基于点云的焊缝检测新方法，与 Harris 3D 算法相比证明了其优越性。

Sep, 2018

该研究提出了一种使用可见性信息从 3D 线段中提取平面，并在此基础上进行完整的分块平面重建的方法，以支持在缺乏纹理的情况下进行室内场景的 3D 重建。通过 RANSAC 方法提取线段形状以支持多种形状，进而实现了对稀疏输入数据、噪声和异常值的鲁棒性。

Nov, 2019

基于点云地图的地面分割方法，通过兴趣区域提取、点云注册和背景减除等步骤，实现了对开采矿场等复杂场景中地面的精确分割，实验结果表明，准确率达到 99.95%。

Sep, 2023

本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

Mar, 2020

针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

Aug, 2019

针对任何整体三维场景，本论文提出了 U3DS$^3$ 作为一个完全无监督的点云分割方法，通过利用点云的固有信息来实现全三维场景分割，并且在 ScanNet、SemanticKITTI 和 S3DIS 数据集上提供了最新的研究成果和具有竞争力的结果。

Nov, 2023

该研究论文提出了一种全卷积 3D 点云实例分割方法，采用逐点预测方式，避免聚类方法中的任务依赖问题，并使用 Optimal Transport 方法根据动态匹配成本为每个采样点分配目标掩模，显著提升了场景的分割精度，成为比其他方法更简单灵活的 3D 实例分割框架。

Apr, 2022

本文提出了一种名为 OGC 的算法，为三维点云中多个 3D 物体的分割提供了无需人工标注的自监督方法，通过挖掘顺序点云中的动态运动模式作为监督信号来实现，进而实现了多物体刚体性一致性的有效考虑和对象形状不变性，在室内和具有挑战性的室外场景中广泛评估了该方法，证明了算法在对象实例分割和一般对象分割方面的杰出性能。

Oct, 2022

本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。

Oct, 2022