本文提出了一种深度自编码器，其中包括了图形拓扑推断和过滤模块，以实现对非结构化 3D 点云的紧凑表示，在无监督的情况下处理原始 3D 点云，优于其他目前的方法，进一步提高了无监督学习性能。
May, 2019
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
本文提出了一种基于块的压缩算法，使用深度学习对点云的几何信息进行有损压缩，并取得了优于现有算法的压缩比。该算法在编解码时将点云划分为块进行压缩，使用局部重构误差作为优化标准，保证压缩后的点数与原始数据相等。同时，该算法的网络模型还可方便地应用于同类问题，例如点云上采样。
Oct, 2021
本文提出了 WrappingNet，第一个能够在异质对象上进行通用网格无监督学习的网格自编码器，通过在瓶颈中引入新的基础图来表示网格连接性，展示了它在对象形状表示方面提供了优势，并通过改进的重建质量和竞争性分类证明了与点云学习相比的优越性，以及不同类别网格之间的潜在插值。
Aug, 2023
本研究提出了一种通用的基于自编码器的几何点云有损压缩架构，与手工编码器相比，此方法快速适应先前未见过的媒体内容和格式，并实现了可竞争的性能。
Apr, 2019
本文提出了一种基于自编码器的 3D 点云去噪方法，该方法通过学习嵌入式邻域特征的稀疏点的局部和非局部特征表示，对 3D 点云中的噪声进行去除，并通过重建的流形重新采样得到去噪后的点云，该方法在合成噪声和真实世界噪声下均表现出显著的性能优于现有的去噪方法。
Jul, 2020
GeoNet 是第一个深度学习结构用于对点云表达的曲面的内在结构建模，通过使用 GeoNet 与 PU-Net 和 PointNet ++ 等基线或骨干网络的融合方案来改善多个代表性任务的现有方法，包括点上采样、法向量估计、网格重建和非刚性形状分类。
Jan, 2019
本文提出一种新颖的掩码自编码点云自监督学习方案，通过划分输入点云为不规则点区块和高比例随机掩码，设计了一种基于 Transformer 的自编码器，该方案在预训练过程中高效并且在各种下游任务中具有很好的泛化能力，包括在少样本物体分类方面表现出色。
Mar, 2022
本文提出了一种基于点云重建的学习模型 PSG-Net，它使用了新的自编码器结构，并通过无监督学习实现对点云的重建和分类，优化了传统的鉴别模型，取得了显著的效果。
Dec, 2021
PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。
Dec, 2023