本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

Sep, 2019

提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

May, 2019

该研究提出了一个名为 Graph Transformer 的新特征提取模块，它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合，并包括局部变换器和全局变换器模块。在此基础上，构建了一个 3D 点云网络 GTNet，可以用于形状分类、部分分割和语义分割任务。

May, 2023

使用图神经网络在高能物理等领域中解决点云问题取得了显著进展，本文将问题提升为拓扑问题，并提出了一种注意力机制，允许在学习空间中构建图结构以处理相关性流动，从而提供了一种拓扑问题的解决方案，我们在顶夸克标记任务上测试了名为 GravNetNorm 的这种架构，并显示其标记精度具有竞争力，且使用的计算资源远少于其他可比较的模型。

Jul, 2023

本研究通过 PyramNet 网络，结合两种新算子 GEM 和 PAN，实现在 3D 场景的点云对象分类和语义分割，以进行对 3D 数据的深度学习应用和实现。

Jun, 2019

利用跨注意力机制和自我关注机制设计新型神经网络 PointAttN，消除了现有方法中局部区域划分对点云密度分布敏感的问题，其在处理点云的过程中以点为基本单位进行计算，以简单而有效的方式直接建立点之间的短程和长程结构关系，因此可以精确地捕捉三维形状的结构信息，并预测具有高度详细几何形状的完整点云。PointAttN 在 Completion3D 和 PCN 等流行基准测试中优于现有技术的表现，代码可在 https URL 上获取。

Mar, 2022

本文提出了一种名为 PointMLP 的纯残差 MLP 网络，它不使用复杂的局部几何提取器，但仍能表现出很高的竞争力，装备了提出的轻量级几何仿射模块，PointMLP 在多个数据集上都达到了新的最佳状态，相对于大多数最近的 CurveNet，PointMLP 的训练速度快两倍，测试速度快七倍，并在 ModelNet40 基准测试中获得更高的精度。

Feb, 2022

本篇论文使用上下文点表示方法，提出了一种基于点云局部和全局结构的创新模型，使用门控融合和图形点网络模块进行语义分割，借助空间性和通道性的注意力策略，以 S3DIS 和 ScanNet 数据集为基础，效果超过现有最先进的方法。

Nov, 2019

本文采用多帧点云视频中的时间信息来探测 3D 物体。研究者们提出了一种名为 GMPNet 的格网信息传递网络来编码短期时间信息，并提出了一个名为 AST-GRU 的基于注意力的时空变换 GRU 来进一步聚合长期帧。在 NuScenes 基准测试中，该方法表现优异，且不需要任何额外的手段。

Jul, 2022

PointGL 是一种高效的点云分析架构，通过全局点嵌入和局部图池化两个递归步骤实现特征获取，并在 ScanObjectNN 数据集上取得了最新 PointMLP 模型的五倍速度和较少的计算资源使用的最先进准确性。

Jan, 2024