GRJointNet 是一个能够在不完整的 3D 点云上实现点云补全和分割的深度学习框架，能够显著提高自主系统中点云的实用性和效能。

Nov, 2023

本文介绍了一种名为 DRNet 的基于不同分辨率学习点云本地特征的网络，并提出了一种局部邻域搜索的新型分组方法和用于捕获局部特征的误差最小化模块，该网络在 ModelNet40，ShapeNet 合成和 ScanObjectNN 真实点云数据集上显示出优越性能。

May, 2020

GridNet 是一种新的卷积神经网络结构，用于实现语义图像分割任务。该网络采用网格模式使得多个互相连接的流可以在不同的分辨率下工作，以解决特征图降维带来的分辨率丢失。与传统的神经网络相比，GridNet 在 Cityscapes 数据集上表现出了更好的性能。

Jul, 2017

本文提出了一种正则化图卷积神经网络 (RGCNN)，通过谱图理论，将点云中的特征视为图上的信号进行卷积，可以直接处理点云数据，提高了点云分割效能，并在 ShapeNet 部件数据集上进行了实验验证。

Jun, 2018

本文提出了基于点分形网络的学习方法 Point Fractal Network（PF-Net），用于精确高保真度的点云补全，通过多尺度生成网络进行缺失点云的预测。同时，通过多阶段的补全误差和对抗损失来生成更真实的缺失区域，实验证明了该方法的有效性。

Mar, 2020

本文介绍了一种基于深度学习和卷积神经网络的、适用于点云的几何压缩方法，实现了对于点云的空间信息和几何细节的有损压缩，该方法可以有效地处理点云中的局部相关性，提高压缩和重建质量。

Sep, 2022

该研究介绍了一种名为 RecNet 的新方法，通过将三维点云投影到深度图像并使用编码器 - 解码器框架进行压缩，从而同时解决资源受限机器人和多机器人系统中有效的位置识别问题。通过提取该过程中的潜在向量用于高效的位置识别任务，RecNet 不仅取得了可比较的位置识别结果，而且保持了紧凑的表示形式，适合在机器人之间实现无缝共享以重建其集体地图。通过对 RecNet 进行包括位置识别性能、重建点云的结构相似性和仅共享潜在向量而得到的带宽传输优势在内的一系列指标进行评估，该方法为在导航、定位、地图合并和其他相关任务中的应用开辟了新的途径。通过公开数据集和实地实验对所提出的方法进行了严格评估，证实其在真实世界应用中的有效性和潜力。

Feb, 2024

本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

Dec, 2020

本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战，其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构，并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上，从而实现了低重建误差。

Dec, 2017

提出了一种轻量级的计算几何原型网络 GPr-Net，结合基于向量的手工内在几何量子化器和拉普拉斯向量等相关方法，旨在解决点云匮乏和无序性等问题，并使用超几何空间来处理分布漂移问题，结果表明在计算机效率和精确度上优于所有已有的点云小样本学习方法。

Apr, 2023