本文提出了一种新型的卷积操作符，通过将全局上下文信息与卷积融合，增强了点云数据中特征的区分度，从而解决了旋转不变性卷积的性能问题，并在多项点云任务中实现了最先进的结果。

Aug, 2020

我们提出了一种在线的三维语义分割方法，可以从连续的 RGB-D 帧流中增量重建三维语义地图，适用于具有实时约束的场景，例如机器人技术或混合现实。我们的方法通过联合估计每帧的几何和语义标签来有效提取输入 RGB-D 视频流的信息，并利用 2D 输入和局部 3D 领域的差异进行对语义实体的推理，进而预测场景的增量更新并整合到全局场景表示中，实验结果表明我们的方法相对于现有的在线方法在本地区域产生了改进，并且展示了互补信息可以提升性能的证据。

Nov, 2023

针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

Aug, 2019

提出了一种 2D-3D 融合策略，将 3D 几何特征和 2D 纹理特征相结合，实现场景分类任务中的多模态融合，并通过多领域图卷积和最近体素池化等策略提高性能。实验结果表明，该方法在 RGB-D 室内场景分类任务中优于当前的技术水平。

Sep, 2020

提出 Spatial information guided Convolution（简称 S-Conv）算法，将 RGB 特征与 3D 空间信息高效地集成，不会严重影响实时应用，可用于语义分割任务，实现出色的性能，并在 NYUDv2 和 SUNRGBD 数据集上获得最先进的性能。

Apr, 2020

本篇论文提出了一种使用全局点云和图像空间中的学习融合方法来解决视频深度图像序列估计中的时间一致性问题，并可以有效处理动态目标。实验结果展示该方法达到了最先进的视频深度图像序列一致性估计质量。

Apr, 2023

通过学习纬度 - 经度平面和高度方向上的可变形采样点，我们提出了新颖的卷积算子 —— 双可变形点卷积 (TDConvs)，以实现自适应特征学习；在现有的流行基准测试上，实验证明我们的 TDConvs 达到了最佳的分割性能，超过现有的最先进方法。

May, 2024

本文提出了一种端到端可训练的多视角聚合模型，利用 3D 点的视角优势，从任意位置拍摄的图像中合并特征，将标准 2D 和 3D 网络相结合，不需要着色、上网格或真实深度图，我们在 S3DIS 和 KITTI-360 数据集上取得了新的最佳效果。

Apr, 2022

本研究介绍了 SEGCloud，一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架，可实现对室内和室外三维数据集进行准确的场景标注。

Oct, 2017

该论文介绍了一个实时分割和重构系统，利用 RGB-D 图像生成准确而详细的物体三维模型，可以应用于增强 / 虚拟现实、室内设计、城市规划、道路辅助和安全系统等领域。通过采样连续帧以减少网络负载并确保重构质量，采用多进程 SLAM 管道实现并行三维重构，并使用了业界领先的 YOLO 框架进行实例分割，以提高性能和准确性。该系统在室内环境中建立了一个强大的实时系统，对物体分割和重构具有重要的增强效果，也可以扩展到室外场景，为实际应用开辟了众多机会。

Nov, 2023