PointGroup 是一种新的端到端自下而上架构方法，专为更好地通过探索对象之间的空白空间对点进行分组而设计，通过两个分支网络提取点特征并预测语义标签与偏移量，利用原始和偏移移动的点坐标集，使用 ScoreNet 评估候选实例，并使用 NMS 消除重复。与先前的最佳解决方案相比，PointGroup 在 ScanNet v2 和 S3DIS 数据集上都取得了高性能，分别为 63.6％和 64.0％，而前者为 54.9％和 54.4％（在 IoU 阈值为 0.5 时的 mAP）。

Apr, 2020

这篇论文提出了一种基于多视角融合的 3D 点云语义分割方法，通过对球面和鸟瞰图进行高效的二维卷积神经网络分割，结合两个视角的分割结果，有效缓解了单个视角方法中存在的信息损失问题，既能提高准确率又能保证速度，在 SemanticKITTI 数据集上实现了高准确率（mIoU 为 55.5），同时比目前最先进的基于投影的方法 RangeNet++ 和 PolarNet 分别快 1.6 倍和 3.1 倍。

Nov, 2020

本篇文章研究了基于空间关系的点云实例分割方法 HAIS，提出了一种基于聚类的层次聚合框架以及子网路的预测方式，使得方法不仅快速准确（在 ScanNet v2 数据集上排名第一）还有很好的泛化性能。

Aug, 2021

MS$^{2}$3D 是一个两阶段的三维检测框架，利用小尺寸的体素提取细粒度的局部特征和大尺寸的体素捕捉长程局部特征，通过多尺度语义特征点构建三维特征层并计算特征点与目标质心的偏移，以提高特征聚合的效率，在 KITTI 数据集和 ONCE 数据集上验证了该方法的有效性。

Aug, 2023

提出了一种多任务学习策略来解决三维实体标记问题，该方法可以 accurately separate 连通的和扫描不完整的对象，实验表明该方法在 ScanNet 数据集上实现了最先进的性能。

Jun, 2019

提出了一种名为 CAGroup3D 的卷积神经网络二阶段稀疏三维物体检测框架，通过结合物体表面体素中相同语义预测的类别感知局部组策略生成高质量的三维建议，以及使用稀疏卷积 RoI 池化模块从骨干网中直接聚合细粒度的空间信息以进一步提升建议的效果。该方法具有更好的计算和内存效率，并且在 ScanNet V2 和 SUN RGB-D 数据集上实现了优于现有方法的三维检测性能。

Oct, 2022

提出了一种用于室内场景的新型超点分组网络，通过对原始点云进行超点划分，利用几何感知的投票模块调整超点和物体中心之间的空间关系，采用超点注意力层和超点 - 体素融合层来探索提案内的一致性表示，利用超点来基于动态感受野进行有效的多次匹配，实现室内一阶段 3D 物体检测的最新性能。

Dec, 2023

本文提出了一种基于语义分割和实例中心预测的方法，进一步利用形状语义学和部件实例之间的内在关系，同时利用多个层次的特征融合以及语义区域中心预测任务来提高实例点的聚类性能，该方法在 PartNet 基准测试中表现优异。

Aug, 2022

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

我们提出了一种名为 Self-Prediction 的学习模式，用于处理点云的三维实例和语义分割问题。我们的方法强调了点关系探索方面的新学习模式，与大多数现有方法不同，该方法通过自我预测任务来训练骨干网络，从而使模型更好地探索关系、几何和形状信息并学习更具有区分性的特征进行分割，实现了在 S3DIS 和 ShapeNet 上实例分割结果的最先进性，并只使用 PointNet ++ 作为骨干网络时与现有技术的语义分割结果相当。

Jul, 2020