本文提出了一种有效的深度学习方法，可用于非均匀采样的点云，通过将卷积核本身表示为多层感知机，将卷积视为蒙特卡罗积分问题，使用匹配多级采样的信息，并使用泊松盘采样进行点云学习。 最终，作者通过在分级网络架构中应用该方法，赢得了大多数基于点云的任务的最佳成绩，并且本方法具有强大的鲁棒性。

Jun, 2018

本文介绍了如何用深度学习方法对三维点云进行优化来达到更好的分类、检索等目标效果，与现在流行的最远点采样方法（FPS）相比，优劣显著。

Dec, 2018

该研究提出了一种自适应化下采样方法来保留点云中的重要点，使其可以与任何基于图的点云卷积层结合成为一个卷积神经网络用于3D物体分类。该方法在点云类数据集ModelNet40中取得了最佳结果。

Apr, 2019

本文介绍了一种名为PointASNL的新型端到端网络，旨在有效处理噪声的点云，并通过自适应采样模块和局 / 非局部模块来实现点云的鲁棒特征学习和降噪，并在各种数据集上获得了出色的性能。

Mar, 2020

本研究提出了一种基于深度学习的点云自适应采样和恢复方法称为点云局部可逆嵌入（PointLIE），实现了点云采样和重建的统一框架，通过双向学习，提高了采样点的恢复质量，并在定量和定性方面均优于现有的技术。

Apr, 2021

本论文提出了一种基于逐层自适应体素引导的点采样器，能够以高效的方式处理大规模场景点云，实现实时应用，并通过实验验证了该方法的有效性和高效性。

May, 2023

提出了一种基于重建评分策略的采样方法，通过去除和重建顶点来评估每个顶点的重要性。此方法在保留点云整体几何特征的同时避免破坏小尺度结构，在保留采样点云的结构特征方面优于先前方法。

Mar, 2024

通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

May, 2024

本文解决了现有点云学习中的采样协议在面对传感器噪声等数据污染时的脆弱性问题。通过提出一种增强的点云采样协议PointDR，该方法结合了关键点识别和灵活样本大小的下采样与重采样策略，显著提升了点云学习的鲁棒性，尤其在受污染的点云分类任务中表现优于现有技术。

Aug, 2024

本文研究了测试时自适应（TTA）在模型测试过程中应对分布变化的问题，提出了一种新颖的针对3D点云分类的TTA方法，结合了采样变异和权重平均。通过多个数据集的实验，结果显示该方法在提高模型鲁棒性和稳定性方面优于现有方法，尤其在复杂的实际应用场景中表现出色。

Nov, 2024