点云识别的离散旋转等变性
本文提出了一个有效的 SE（3）网络，它是针对点云分析领域中 3D 形状对齐任务而设计的，可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本，并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释，实证结果表明，我们提出的模型在各种基准测试中优于强基线。
Mar, 2021
该研究旨在通过引入群等变性，提高当前用于 3D 点云的神经网络的泛化和鲁棒性。在实验中，该方法表现出比其他群等变模型更优越的性能，且具有较低的复杂度和 GPU 内存占用，提升了诸如物体分类和语义分割等任务的性能。
May, 2022
本文提出了一个用于学习来自 3D 点云的 SE (3)- 等变特征的卷积结构。它将 KPConv（一种广泛用于处理点云数据的卷积形式）视为等变版本。通过组合群卷积和商表示，我们实现了一个简单，轻量级，快速的设计，能与现有的任务特定点云学习管道集成，同时在各种任务中实现了可比较或更优的性能，消耗更少的内存和运行速度更快。通过实验，我们展示了该方法可以促进点云等变特征学习在实际应用中的采用并激发未来应用的发展。
Jun, 2022
本文提出了一种基于等变特征学习和隐式形状模型的无对应点云旋转配准方法，可实现无需数据关联、在特征空间中闭式求解和对噪声鲁棒。实验结果表明，该方法优于现有基于深度学习的无对应点云配准方法。
Jul, 2021
研究了 3D 点卷积中平移不变性和等变性的关系，并使用旋转等变对齐改进了卷积网络，实现了物体分类和语义分割方面的表现提升，减少平移不变和标准 3D 深度学习方法之间的差距。
Dec, 2020
通过局部模式方向在连续 SO (3) 群上实现分析 3D 体积数据的等变神经网络，提供了对流形旋转不变性的创新方法，并显示出在各个领域具有潜在应用的灵活性。
Apr, 2024
本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。
Mar, 2020
本文介绍了一种特殊的函数集合，用于近似任何连续旋转同变和置换不变函数，提出了一种新颖的神经网络结构来处理 2D 点云，并证明了其具有近似这些对称性的函数的普适性。还展示了如何扩展该结构以接受一组 2D-2D 对应作为输入，同时保持类似的同变性质，并在立体视觉中的基本矩阵估计上进行了实验。
Nov, 2021
本文提出了一种新型的点云卷积运算符，实现了旋转不变性，通过使用旋转不变的几何特征设计点云学习的卷积运算符，解决了点排序问题，并将其作为神经网络的基本构建块，能在 6 自由度变换下具有稳健性，在物体分类和分割等任务中表现出高精度。
Aug, 2019