本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。

Oct, 2020

提出一种对点云数据具有旋转不变性的点投影特征方法，可以提取严格的点云识别和分割的旋转不变表示，无需数据增强，并且优于其他最先进的方法。

Nov, 2019

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

本论文提出了一种基于局部图表示的点云学习框架，通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性，这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能，具有重要的研究意义。

Dec, 2018

该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的 3D 形状分类、部分分割和检索任务中。

Dec, 2022

提出了一种基于图结构和神经网络的方法，能够同时实现旋转、平移、缩放的不变性以及点云稀疏程度的稳健性，此方法在模型识别与检索任务方面，其性能可显著提高。

Feb, 2020

本文提出一种简单且有效的卷积算子，通过设计强大的旋转不变特征来增强特征描绘能力，实现旋转不变性，并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。

Feb, 2022

通过学习局部一致性变换和保留局部几何关系，我们在点形状分析中提出了一种具有旋转不变性的局部一致变换学习策略，并通过相对姿态恢复模块来解决中间层网络中相对姿态丢失的问题，实现了在形状分类和部分分割任务中具备任意旋转下的竞争性性能。

Mar, 2024

使用随机特征方法学习三维点云数据的旋转不变函数，达到与通用旋转不变神经网络相匹配或超过分子性质预测和形状分类任务性能的方法，同时比竞争的核方法具有数量级更小的预测延迟。

Jul, 2023

本文提出了 RoITr，一个应用于点云匹配任务的旋转不变转换器，分别从局部和全局两个层面贡献，其中局部级别引入了嵌入 PPF 坐标的注意力机制，全局阶段则提出了一个旋转不变的跨帧自注意力机制，获得了远超现有方法的性能。

Mar, 2023