本文提出了两个新的操作，帮助PointNet更高效地利用局部结构以提高3D点云的语义学习效果，并通过实验证明，我们的模型可以捕获局部信息并在主要数据集上表现更好。

Dec, 2017

提出了一种自我监督学习方法，利用点云数据来预训练深度神经网络用于对象分类和语义分割，从而在减少监督样本数量方面提高样本效率。该方法不需要特定的网络体系结构，并且在下游的对象分类任务中优于当前无监督学习方法。

Jan, 2019

该研究提出了一种无监督的多任务模型，用于联合学习点云上的点和形状特征，并定义了三个无监督任务来训练多尺度基于图形的编码器。结果表明，与之前的无监督模型相比，该模型在形状分类和分割基准上表现优异。在ModelNet40分类任务中，准确率达到89.1％，在ShapeNet分割任务中，mIoU为68.2％，准确率为88.6％。

Oct, 2019

本文提出了一种采用非监督学习的方法，从未知类别的物体的三维点云中学习特定于类别的三维关键点，使用对称线性基础形状模型描述特定于类别的形状，并证明了该方法能够得到几何和语义方面的一致的关键点。

Mar, 2020

本研究旨在促进 3D 深度学习表示学习的研究，重点关注高级场景理解任务，使用统一的三元组架构、源数据集和对比损失进行无监督预训练，对室内和室外、真实和合成数据集的 6 个不同基准进行分割和检测，取得了鼓舞性的结果，表明学习到的表示可以在不同领域推广使用，并且与监督的预训练的改善程度相似，建议未来的努力应该更加注重扩充数据收集而非详细标注。

Jul, 2020

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

本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化具有鲁棒性。该算法在旋转增强的三维物体识别和分割基准测试上表现出最先进的性能。

Oct, 2020

本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。

Aug, 2021

本文提出了一种名为ConClu的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在3D物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

Feb, 2022

本研究综述了使用深度神经网络实现无监督点云表示学习的方法，解决在人工标注数据量有限的问题。研究挖掘了常用数据集和评估指标，提出了基于这些技术的自监督点云表示学习方法的广泛应用，并指出未来可能面临的挑战和潜在问题。

May, 2023