本文介绍了一种用于点云分割的新型网络结构 DRINet，能够在保持点云内在属性的前提下，通过迭代地在两种不同的表示之间传播特征来提高点云分割性能，并利用多尺度池化层改进上下文信息传播。实验结果表明，该方法在几个数据集上实现了最先进的分割性能，具有高效运行速度。

Aug, 2021

本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。

Oct, 2019

本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

Jul, 2023

提出了一种名为 DensePoint 的点云处理方法，通过推广卷积算子实现了针对不规则点配置的正则化网格卷积神经网络，并从密集连接模式中汲取灵感，在深层次结构中重复聚合多层次、多尺度语义信息，从而有机地获得具有密集上下文信息的多元语义，同时进行高效归纳学习，实验结果表明 DensePoint 方法优于现有方法，达到了业界最佳性能。

Sep, 2019

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

本文设计了一个基于深度金字塔网络的点云重建方法 DensePCR，通过逐层生成低分辨率到高分辨率的点云来生成准确、均匀且密集的高分辨率 3D 模型。在合成和真实数据集上的评估表明，DensePCR 优于现有的点云重建方法，并提供了一种轻量级和可扩展的高分辨率输出预测体系结构。

Jan, 2019

使用多分辨率树形网络来处理点云实现三维形状的理解和生成，可用于分类形状和学习点云形状的无监督生成，表现优于现有基于点的架构。

Jul, 2018

本文提出 D-Net（Distinctive Network）来学习针对具有差异化的点云进行形状理解的方法，采用自注意点搜索和可学习的特征融合，实验结果显示该方法在形状理解的应用中能够取得最先进的表现。

May, 2023

该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。

Nov, 2021

本研究提出了一种名为 GRNet 的新方法，以 3D 网格为中间表示形式，通过保留结构和上下文信息来完善不完整的 3D 点云，并采用新的梯度损失函数来计算预测和真实点云之间的 L1 距离，实验结果表明这种方法在多个基准测试中表现优秀。

Jun, 2020