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
本文提出了两个新的操作，帮助PointNet更高效地利用局部结构以提高3D点云的语义学习效果，并通过实验证明，我们的模型可以捕获局部信息并在主要数据集上表现更好。
Dec, 2017
本文探讨了如何扩展PointNet架构以涵盖较大尺度的三维空间语义分割。通过两种扩展策略，该方法在室内和室外数据集上均取得了较好的结果。
Feb, 2018
本研究提出一种简单而灵活的框架，可同时在点云中进行实例和语义分割，通过学习语义感知的点级实例嵌入使实例分割受益于语义分割，同时融合属于同一实例的点的语义特征，以进行更精确的每点语义预测。此方法在3D实例分割上表现优异，并显著提高了3D语义分割。
Feb, 2019
本文介绍了一种利用边缘分支和层次化图框架实现点和其语境邻居之间的语义关系来实现3D语义场景标注的方法，并证明其有效性。
Sep, 2019
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。
本文介绍了一个由三个英国城市中7.6平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个3D点都被标记为13个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。
Sep, 2020
该研究关注于针对实际采集的大规模点云数据进行语义分割，并提出了一种自适应融合方法在点水平上进行准确的分割。
Mar, 2021
该研究提出了一种基于U-Next框架的语义分割方法，通过学习语义相似特征图的多尺度分层表示、跨尺度特征图融合及多级深度监督机制实现对大规模3D点云的有效分割，实验证明其在多个基准数据集上具有显著的优越性和有效性。
Apr, 2023
本研究解决了点云分割中局部和全局信息学习的挑战，尤其是过度聚合邻域信息和长距离上下文依赖建模不准确的问题。提出的GSTran网络通过局部几何变换器和全局语义变换器联合增强模型识别能力，实验结果显示该方法在ShapeNetPart和S3DIS基准测试中优于其他算法，具有显著的应用潜力。
Aug, 2024