本文提出了 ParaPoint，一种无监督的神经学习管道，通过在不规则的三维点云上建立 3D 点与 2D UV 坐标之间的点对点映射，实现全局自由边界表面参数化。我们构建了几个具有特定功能的几何意义的子网络，并将它们组装成双向循环映射框架。通过设计有效的损失函数和辅助微分几何约束，优化了神经映射过程。实验证明了我们提出的学习范式的有效性和激发潜力。

Mar, 2024

介绍了一种新的深度网络 SepicNet 用于检测和参数化 3D 物体的棱角，包括一种自适应点云采样技术，通过大规模数据集的实验表明该方法的边缘检测效果优于现有技术。

Apr, 2023

本研究提出了 Points2Surf 算法，一种基于深度学习框架的局部深度信息和整体粗略信息相结合的面重建方法，显著提高了模型泛化能力和重建精度。实验证明，与其他方法相比较，Points2Surf 算法能够在新的形状上实现高质量的重建，并能使重建误差降低 30% 以上。

Jul, 2020

本论文提出了 BPNet，一种新颖的端到端深度学习框架，用于学习在 3D 点云上的 Bézier 基元分割。通过将 Bézier 分解应用于点云分割，我们能够实现有限形状类别的广义基元分割。我们提出了一个联合优化框架，在级联架构上同时学习 Bézier 基元分割和几何拟合。通过引入软投票正则化器和自动权重嵌入模块，我们使网络更具鲁棒性和通用性。我们还引入了一个重构模块，通过该模块可以同时处理具有不同基元的多个 CAD 模型。我们在合成的 ABC 数据集和实际扫描数据集上进行了大量实验证实并与不同的基准方法进行了比较。实验证明，我们的方法在分割方面具有卓越的性能，并且推理速度显著得更快。

Jul, 2023

本文提出一种神经网络模型（Supervised Primitive Fitting Network），此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法，该模型在测试中表现更好。

Nov, 2018

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

介绍了一种基于神经网络的端到端可学习技术，用于鲁棒地辨识三维点云数据中的特征边缘并采用参数曲线表示，该技术为 PIE-NET，采用区域提议结构训练模型，并在大型 CAD 模型数据集 ABC 上对其进行训练和评价，结果显示其边缘检测性能优于传统和基于深度学习的算法。

Jul, 2020

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

本文提出了一种基于深度学习的点云局部三维形状属性估计方法 PCPNet，采用基于 patch 的学习方法，结合多尺度编码，能在强噪声和多尺度特征的情况下更好地估计法线及曲率等局部形状信息。我们的方法在结构化三角网格训练数据上训练，可以在处理噪声点云时得到比现有技术更好的结果，并成功在形状重构方面得到应用。

Oct, 2017

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