该研究提出了一种基于深度学习的新框架，用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术，取得了室内和户外 LiDAR 扫描分割方面的新成果。

Nov, 2017

本文介绍了一种新的基于 3D 点云的超像素生成算法，使用了几种方法来构建连接图，比较了其性能，并呈现了与现有 2D 和 3D 的超像素算法比较得到的显著改进

Feb, 2017

提出了一种基于 2D 监督的新型深度图卷积网络框架，用于大规模语义场景点云的分割，通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征，并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入， 即使只有单个训练样本的情况下，也能够进行自然场景下的 3D 分割训练，扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。

Apr, 2020

介绍了一种高效的方法，通过将大型 3D 点云的全景分割任务重新定义为可扩展的图聚类问题来进行。该方法可以仅使用本地辅助任务进行训练，从而在训练过程中消除了资源密集型的实例匹配步骤。此外，我们的方法可以轻松适应 superpoint 范例，进一步提高其效率。这使得我们的模型能够在单次推理中处理具有数百万个点和数千个对象的场景。我们的方法（SuperCluster）在两个室内扫描数据集（S3DIS Area 5 的 PQ 指标为 50.1（+7.8），ScanNetV2 的 PQ 指标为 58.7（+25.2））上实现了全景分割的最新性能。此外，我们还在两个大规模移动映射基准测试（KITTI-360 和 DALES）中取得了首个最先进的结果。我们的模型仅有 209k 个参数，比最佳竞争方法小 30 倍，训练速度最高提高 15 倍。我们的代码和预训练模型可在此 https URL 获取。

Jan, 2024

基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

Jul, 2023

本论文提出了一种新的 3D 语义实例分割方法，利用子流形稀疏卷积网络同时生成语义预测和实例嵌入，通过结构感知的损失函数和基于关注度的 k 最近邻算法获取区分嵌入，加入图卷积网络以获取精细嵌入并输出语义和实例预测，实验结果表明该方法在 ScanNet 基准和 NYUv2 数据集上优于所有最先进方法.

Feb, 2019

本研究介绍了 SEGCloud，一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架，可实现对室内和室外三维数据集进行准确的场景标注。

Oct, 2017

我们提出了一种名为 Self-Prediction 的学习模式，用于处理点云的三维实例和语义分割问题。我们的方法强调了点关系探索方面的新学习模式，与大多数现有方法不同，该方法通过自我预测任务来训练骨干网络，从而使模型更好地探索关系、几何和形状信息并学习更具有区分性的特征进行分割，实现了在 S3DIS 和 ShapeNet 上实例分割结果的最先进性，并只使用 PointNet ++ 作为骨干网络时与现有技术的语义分割结果相当。

Jul, 2020

本文将点云配准问题视为语义实例匹配和配准任务，提出了一种用于大规模室外点云配准的深度语义图匹配方法。通过利用大规模点云语义分割网络获得 3D 点云的语义类别标签，并使用欧氏聚类算法将具有相同类别标签的相邻点进行聚类。基于语义实例的空间相邻关系构建了语义邻接图，通过图卷积网络学习了几种高维特征，包括几何形状特征、语义分类特征和空间分布特征，同时应用了注意力机制进行增强。将语义实例匹配问题建模为一个最优传输问题，并通过最优匹配层进行求解。最后，根据匹配的语义实例，首先通过奇异值分解（SVD）算法获得两个点云之间的几何变换矩阵，然后使用 ICP 算法进行细化处理。实验在 KITTI Odometry 数据集上进行，所提出方法的平均相对平移误差和平均相对旋转误差分别为 6.6cm 和 0.229 度。

Aug, 2023

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