本文提出了一种名为 MoNet 的基于运动的神经网络，它将运动特征和内容特征结合起来用于预测未来的点云，以提高自动驾驶中智能汽车对其周围环境的感知和安全性。实验结果表明，该方法具有重要的应用前景。

Nov, 2020

本研究提出了一种新颖的神经网络模型 FlowNet3D，该模型旨在从点云数据中学习场景流，该模型可以通过扫描定位和运动分割等多种应用，对 Lidar 扫描等多种实际场景进行高效准确的场景流处理。

Jun, 2018

提出一种端到端学习网络，用于预测点云序列中的未来帧，其中网络以点云的拓扑信息作为几何特征学习初始层，形成代表性的时空邻域，在多个 Graph-RNN 单元中学习点的动态（即 RNN 状态），并与时空邻近点一起处理。测试结果表明，我们的方法在忽略几何特征信息的基准线方法上表现出色，应用于包括 MINST 运动数字、合成人体动作和 JPEG 动态人体数据集的预测中。

Feb, 2021

本研究提出了一个有效而轻量化的点云序列模型，能够在 3D 动作识别方面实现较高的准确性和效率，主要包括点云序列数据扁平化和超点序列混合等方法。实验证明，该模型在速度和效果方面均优于现有模型。

Nov, 2021

基于连续点卷积的新型 U-net 架构能够自然地嵌入 3D 坐标信息，并通过已建立的下采样和上采样过程进行多尺度的特征表示，从而有效地改进了基于神经网络的三维物体动态建模方法。

Apr, 2024

GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

Jan, 2019

本文提出了一种基于锚点的时空关注的 3D 卷积操作（ASTA3DConv）来处理动态 3D 点云序列，建立了 Anchor-based Spatio-Temporal Attention 3D 卷积神经网络 (ASTA3DCNNs) 进行分类和分割任务。在实验中，该方法在 MSRAction3D 和 Synthia 数据集上展现了出色的性能和有效性，并取得了动态 3D 点云序列作为输入的最新性能。

Dec, 2020

该研究提出了一种新的三维点云表示网络，称为动态聚类变换网络（DCTNet），它利用编码器 - 解码器架构来学习全局和局部特征，并提出了新的语义特征动态采样和聚类方法以及一个高效的语义特征引导上采样方法，验证了其在点云分割任务上的性能优于现有的最先进模型。

May, 2023

本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016

本论文提出了一种使用深度学习模型对不规则采样的连续空间时间过程进行直接学习和预测的方法，并验证了该模型在真实天气数据和星际争霸 II 中的有效性。

May, 2021