本文介绍了一种新的卷积操作 PointConv，此操作可用于处理 3D 点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能，实验表明，PointConv 可用于挑战性的语义分割基准测试，并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。

Nov, 2018

提出了一种用于处理大规模 3D 数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过 3D 卷积处理的能力，可用于许多 3D 任务的通用点云描述符。在语义体素分割，语义部分分割和 3D 场景字幕数据集上进行了评估。

Aug, 2018

本文介绍了一个使用 3D 点云进行语义分割和对象识别的卷积神经网络，其中核心是点卷积，这是一种可以在点云的每个点上应用的新型卷积算子，并且网络设计简单且能在语义分割和对象识别任务中获得可比较的准确性。

Dec, 2017

本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。

Apr, 2019

本研究提出一种新的卷积方式，能够直接在 3D 点云上进行计算，并利用其环形结构捕捉每个点的局部邻域几何特征，通过应用于神经网络，实现了目标分类、部件分割和语义分割等任务，并在多个标准基准数据集上取得了比同类算法更好的结果。

Apr, 2019

通过学习纬度 - 经度平面和高度方向上的可变形采样点，我们提出了新颖的卷积算子 —— 双可变形点卷积 (TDConvs)，以实现自适应特征学习；在现有的流行基准测试上，实验证明我们的 TDConvs 达到了最佳的分割性能，超过现有的最先进方法。

May, 2024

本文介绍了点卷积神经网络（PCNN）的框架和两个算子：扩展和限制。此外，还定义了点云卷积的概念，其具有高效性，不受各种因素的影响，并可将卷积核用于任何点云中。通过三项常见的点云学习基准测试，证明了 PCNN 方法的有效性。

Mar, 2018

本文介绍了一种新型灵活卷积方法，及其 GPU 实现，以适应不规则的 3D 点云数据，并在百万级数据集上获得了显著提升。该方法具有较小的参数和存储需求，是首个能同时处理 700 万个点的有效方法。

Mar, 2018

该研究提出了一种新型的 “可学习空隙扩张卷积”（DCLS）方法来增加卷积神经网络（CNN）的感受野大小，从而提高图像分类的准确性，而且不会增加可训练参数的数量。该方法可以通过在卷积核中只添加一些非零元素，然后通过反向传播技术学习它们的间距来实现。

Dec, 2021

本文提出了一种新的卷积方法：Dynamic Dilated Convolutions (D^2Conv3D)，并经过实验证明它可以作为标准卷积的替代方法，用于提高 3D CNN 架构的性能，从而提高视频分割相关基准任务的表现，进一步表明该方法优于现有扩展的 3D 卷积方法，最终在 DAVIS 2016 无监督视频物体分割基准测试中实现了新的最佳成绩。

Nov, 2021