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

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

本文提出了一种基于深度神经网络的数据驱动算法，使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样，该算法不需要硬编码规则，并能够学习属于不同对象类别的点云的潜在特征，实验结果表明，相比基于优化的上采样方法，该算法能够生成更加均匀和精确的上采样结果。

Jul, 2018

本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在 Earth Mover's Distance（EMD）和 Chamfer Distance（CD）等方面表现优异，优于现有方法。

Nov, 2019

本文提出了一种基于自编码器的 3D 点云去噪方法，该方法通过学习嵌入式邻域特征的稀疏点的局部和非局部特征表示，对 3D 点云中的噪声进行去除，并通过重建的流形重新采样得到去噪后的点云，该方法在合成噪声和真实世界噪声下均表现出显著的性能优于现有的去噪方法。

Jul, 2020

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

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

本文介绍一种基于深度学习的点云去噪方法，可以对噪声和离群点进行有效的处理，并且能应用于大规模点云数据的处理中，实验表明该方法可以有效提高 3D 重建的稳健性。

Jan, 2019

我们引入了一种称为可微分中心采样网络（DCS-Net）的新型解决方案，通过同时学习点云中的全局模式和局部模式，有效地提升了现有点云模型的表达能力并解决了信息泄漏问题。

Feb, 2024

提出了一种新的点云采样方法，通过降低点云中的冗余，减少在几何对称和无结构环境下实时估计漂移的影响。该方法在机器人的几何运动估计中最大化梯度流的熵，从而最小化点的冗余。实验结果表明，该采样技术在良好条件和几何退化环境下的准确度和速度优于现有方法。

Dec, 2023