使用概率嵌入进行点云实例分割
基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。
Jul, 2023
本论文提出了一种新的 3D 语义实例分割方法，利用子流形稀疏卷积网络同时生成语义预测和实例嵌入，通过结构感知的损失函数和基于关注度的 k 最近邻算法获取区分嵌入，加入图卷积网络以获取精细嵌入并输出语义和实例预测，实验结果表明该方法在 ScanNet 基准和 NYUv2 数据集上优于所有最先进方法.
Feb, 2019
该研究论文提出了一种全卷积 3D 点云实例分割方法，采用逐点预测方式，避免聚类方法中的任务依赖问题，并使用 Optimal Transport 方法根据动态匹配成本为每个采样点分配目标掩模，显著提升了场景的分割精度，成为比其他方法更简单灵活的 3D 实例分割框架。
Apr, 2022
本文提出了一种新的方法来解决在 3D 点云上进行实例分割时可能出现的计算量过大、类别识别性能不佳等问题，其中本文重要的贡献是提出了一种独立于输入类别和大小的度量标准，通过该标准，新方法在现有研究中表现出最好的性能。
Sep, 2019
我们提出了一种名为 Self-Prediction 的学习模式，用于处理点云的三维实例和语义分割问题。我们的方法强调了点关系探索方面的新学习模式，与大多数现有方法不同，该方法通过自我预测任务来训练骨干网络，从而使模型更好地探索关系、几何和形状信息并学习更具有区分性的特征进行分割，实现了在 S3DIS 和 ShapeNet 上实例分割结果的最先进性，并只使用 PointNet ++ 作为骨干网络时与现有技术的语义分割结果相当。
Jul, 2020
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
本文提出了一种新的监督学习框架，用于将 3D 点云超分割成超点，并且利用局部几何和辐射度的深度嵌入来计算超点，从而使对象的边界呈现高对比度。该方法可以显著地提高点云超分割结果，并且可以用于改善基于超点的语义分割算法。
Apr, 2019
本论文提出了一种基于对比学习方法的学习强大点云表示的新策略，该方法可以嵌入任何点云分类网络中，通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化，并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题，并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本，实验证明该方法比现有技术表现更好，并在现有技术中实现了显著的性能提升。
Jan, 2022
通过使用多任务深度网络在欧几里德空间和嵌入空间中构建的点聚类方法来解决屋顶平面分割中边界问题，并构建了合成数据集和真实数据集验证了该方法的显著优越性。
Sep, 2023