GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。

Jan, 2019

本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

Jan, 2018

最近，基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战，我们提出了一种使用基于体素网络的任意尺度点云上采样框架（PU-VoxelNet）。通过利用体素表达的完整性和规律性，体素网络能够提供预定义的网格空间来近似三维表面，并根据每个网格单元内的预测密度分布重建任意数量的点。进一步，为了改善细节，我们提供了一种辅助训练监督方法，以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明，所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。

Mar, 2024

PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

Dec, 2023

本文提出了 Geometry Sharing Network (GS-Net) 解决了近几年对于使用深度卷积神经网络对 3D 点云进行分类时，如何处理数据的几何变换问题，实验结果表明 GS-Net 可以提高软件对于这些变换的鲁棒性。

Dec, 2019

本文提出了一种基于生成对抗网络（GAN）模型的新的点云上采样网络 PU-GAN，能够从潜在空间中学习到丰富的点分布并通过误差反馈和自校正实现对物体表面上的点的上采样，并通过鉴别器学习更多潜在模式以增强输出点的分布均匀性。定量和定性评估表明，PU-GAN 在分布均匀性、与物体表面的接近度以及三维重建质量方面，优于同类方法。

Jul, 2019

提出了一种轻量级的计算几何原型网络 GPr-Net，结合基于向量的手工内在几何量子化器和拉普拉斯向量等相关方法，旨在解决点云匮乏和无序性等问题，并使用超几何空间来处理分布漂移问题，结果表明在计算机效率和精确度上优于所有已有的点云小样本学习方法。

Apr, 2023

使用几何 - 体素辅助学习的方法，通过提供对多传感器点云的附加解释，使得体素表示可以获取点级几何信息，并支持体素骨干在多传感器点云上更好的泛化能力。我们的方法在联合多传感器数据集上表现出色，超越了其他模型，并在每个单一数据集上与现有的专家方法取得了竞争性结果。

Mar, 2024

提出了一种自监督的点云上采样方法 SPU-Net，该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式，具有解决真实数据稀疏问题的能力。实验表明，该方法与现有的监督方法相比具有可比性能。

Dec, 2020

本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

Nov, 2020