本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016

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

该研究提出了一种只需要点级别注释来训练模型实现物体实例分割的方法，其通过建立一个具有两个分支（定位网络和嵌入网络）的网络，使用伪标签和相似嵌入方法来提高分割效果，在特定情况下，可以获得有竞争力的结果，并且是一种实例分割点级别监督的强基准线。

Jun, 2019

研究了点云（point cloud）语义实例分割的问题，提出了一种动态的、无需生成建议、数据驱动的方法，可以根据实例的特点生成适当的卷积核，在几个简单的卷积层中解码实例，并采用小型轻量级Transformer来捕捉点样本之间的长距依赖和高级别交互。该方法在ScanetNetV2和S3DIS数据集上均取得了良好的结果，在超参数选择上具有鲁棒性，并且比最先进的方法可提高25%以上的推理速度。

Nov, 2020

提出了基于单点标注的弱监督实例分割方法，通过该方法，仅标注每个物体的随机10个点就能够达到94%至98%的全监督效果，比全物体标注的方法快5倍，同时提出了一种新的基于点标注的PointRend实例分割模型，称为Implicit PointRend。

Apr, 2021

提出了一种基于Semantic Superpoint Tree Network (SSTNet)的端到端解决方案，其通过学习场景点的语义特征构建中间的语义超级点树（SST）， 在中间树节点处进行实例对象的建议，以及通过一个模块对错误的超级点进行修剪， 针对数据不规则性提出了一种改进的方法。在ScanNet和S3DIS的基准测试中表现出强大的实用性。

Aug, 2021

本文综述了基于transformer的视觉分割技术，总结了近期的进展，详细介绍了各种方法设计和应用，并对该领域的未来研究方向进行了探讨。

Apr, 2023

本文提出了一种无需过多手工注释、称为FreePoint的方法，用于针对点云进行不考虑类别的实例分割。该方法使用自我监督深度特征表示点特征，并使用多覆盖割算法将点云分割为粗略的实例掩模。同时，作者还提出了一种弱监督的训练策略和相应的损失，以减轻粗略掩模在训练过程中的不准确性。通过Fine-tuning方法，FreePoint在S3DIS数据集上的表现优于仅使用10%的遮罩注释训练的模型。

May, 2023

我们在这篇论文中探讨了高分辨率架构用于三维点云分割，提出了一种名为PointHR的统一流水线模型，并通过在S3DIS和ScanNetV2数据集上的实验证明其优越性。

Oct, 2023