DeepFit: 基于神经网络加权最小二乘法的三维曲面拟合
该论文提出了一种神经网络 AdaFit，用于在含有噪声和密度变化的点云上进行强健的法线估计，并通过实验证明其能够在合成数据集和真实场景数据集上实现最好的性能。
Aug, 2021
该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。
Apr, 2019
本文提出使用深度神经网络（DNNs）进行具有较低近似误差的点云法向量估计，其中采用了 Z 方向变换和误差建模作为基本设计原则，并将其与现有最先进的法向量估计方法集成。
Mar, 2023
使用 Transformer 从带有噪声和密度变化的点云中准确预测法线，在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能，表现出更强的抗噪性和显著更快的推理速度，同时证明了现有工作中的复杂手工设计模块在表面法线估计任务中并非必需。
Jan, 2024
通过引入一种新的神经梯度函数学习范式，我们提出了一种从点云中直接估计定向法线的新方法，它能够更准确地学习未定向和定向法线估计任务。
Nov, 2023
本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。
May, 2023
本文提出了一种精确高效的方法，用于处理非结构化三维点云上的噪声与非均匀密度，并通过图卷积特征表示学习局部邻域几何信息进行法向量估计，设计了基于注意力机制的自适应模块，进一步增强了法向估计器对点密度变化的鲁棒性，并引入多尺度结构提取图块来学习更丰富的几何特征，在多个基准数据集上实现了最先进的精度和较强的噪声鲁棒性。
Jul, 2022
该研究提出了一种称为 ParSeNet 的新型端到端可训练深度网络，该网络将 3D 点云分解为参数化表面补丁，包括 B 样条补丁以及基本几何图元。
Mar, 2020
本文提出了基于多尺度点统计（MuPS）的局部高斯网格表示的法向估计方法 Nesti-Net，使用混合专家（MoE）结构来优化每个点周围的最佳比例，从而显著提高模型的鲁棒性和精度。实验结果表明，该方法在合成数据集上达到了最先进水平，并在实际扫描场景上展现了良好的表现。
Dec, 2018