本文提出了一种形状取向的消息传递方案 ShapeConv，结合了形状特征学习和上下文信息对基于点云的分析的贡献，并将其堆叠到分层学习体系结构 SOCNN 中以分析点云的分类和分割任务。

Apr, 2020

本文提出了一种名为 SNAKE 的无监督学习方法，通过将 3D 坐标作为输入，同时预测隐式形状指示器和关键点显着性，从而将 3D 关键点检测和形状重建自然地纠缠在一起，进而取得了卓越的性能，使生成的关键点允许精准的几何配准，尤其在零样本设置下。

Jun, 2022

利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法，既能捕捉形态的人群统计特征，又能减少推理负担和放松输入要求，这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。

May, 2023

本文介绍了一种新型网络架构，利用前视图像和视锥形点云生成三维检测结果，使用 PointSIFT 模块和 SENet 模块来提高三维分割的性能和有效地估计三维边界框，实验结果表明该方法在使用高度稀疏的点云时比现有方法表现更优，广泛应用于室内和室外的实际场景中的三维物体检测。

Jan, 2019

使用 LIADAR 进行三维物体检测时，由于点云密度不均衡，距离传感器更远的物体采集的点较少，导致检测精度下降。为解决这一挑战，作者提出了名为 SIENet 的二阶段三维物体检测框架，其中设计了空间信息增强模块和多分支的混合范式区域提案网络 (HP-RPN) 等，其在 KITTI 三维物体检测基准测试数据集上取得了远超其他方法的显著性能表现。

Mar, 2021

本文提出了一种低资源的白盒子模型 SCENE-Net，利用类群不变非扩张算子（GENEOs）在点云中识别签名形状，提供固有几何可解释性，在保证模型决策机制透明性的同时，使训练时间在 85 分钟、推理时间在 20ms，需要的可训练几何参数仅 11 个，数据要求较黑盒子模型更少。SCENE-Net 对噪声标签和数据不平衡具有鲁棒性，与最先进的方法具有可比的 IoU。同时，本文公布了 40000 公里的农村地形点云标记数据集和代码实现。

Jun, 2023

我们提出了一种少样本形状描述符（FSSD），通过嵌入模块提取具有转换不变性的形状特征，使用可学习的形状原语分解和重构形状特征，还提出解码模块通过形状掩码和边缘对齐原始和重构的形状特征以使其更具形状感知能力，最后将所有模块组装成了一个少样本形状识别方案，实验证明我们的 FSSD 在少样本情况下相比最先进方法明显提升了形状分类。

Dec, 2023

本文提出了一种 3D 形状描述符网络，是一种深度卷积能量模型，可以用于建模体积形状模式，并可以通过 MCMC 模拟实现生成真实的 3D 形状模式并用于 3D 形状分析和恢复。

Apr, 2018

本研究论述了通过 CNN 架构识别单个和多个渲染图像视角的 2D 视图图集能够在 3D 物体识别方面表现出更好的性能，提出并证明 CNN 架构结合多个视角信息可提供更好的识别性能，同样适用于人手绘图的物体识别。

May, 2015

通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

Aug, 2022