本文提出了一种点云学习框架PRIN，其中通过密度感知自适应采样构造球形信号来处理球形空间中的扭曲点分布并利用球形体素卷积和点重新采样来提取每个点的旋转不变特征。该框架在物体分类、部分分割和3D特征匹配方面具有可应用性，并且在没有任何数据增强的情况下，在随机旋转的点云数据集上展现出比现有方法更好的性能。同时，本文提供了对通过该方法实现的旋转不变性的理论分析。

Nov, 2018

该论文提出了一种深度学习架构，能够在点云识别中实现离散的SO（2）/SO（3）旋转等变性，通过消除置换并进行操作，提升了任何现有点云网络的性能，并在各种旋转下，展示了分类任务的最新成果。

Mar, 2019

本文提出了一种新型的点云卷积运算符，实现了旋转不变性，通过使用旋转不变的几何特征设计点云学习的卷积运算符，解决了点排序问题，并将其作为神经网络的基本构建块，能在6自由度变换下具有稳健性，在物体分类和分割等任务中表现出高精度。

Aug, 2019

本文介绍了一种新的方法来实现点云数据的旋转不变性，使用局部几何特征和全局拓扑特征相结合的局部-全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征，并在模型识别任务上取得了最先进的效果。

Nov, 2019

提出一种对点云数据具有旋转不变性的点投影特征方法，可以提取严格的点云识别和分割的旋转不变表示，无需数据增强，并且优于其他最先进的方法。

Nov, 2019

本文提出了一种新的低层纯旋转不变表示，以替代常见的3D笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

Mar, 2020

本文提出一种简单且有效的卷积算子，通过设计强大的旋转不变特征来增强特征描绘能力，实现旋转不变性，并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。

Feb, 2022

该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的3D形状分类、部分分割和检索任务中。

Dec, 2022

本篇论文提出了一种基于离心参考帧的旋转不变网络，将点云坐标作为输入，并通过离心参考帧将局部点变换为旋转不变表示，再基于离散点提出了连续的三维旋转分布，并引入了基于注意力机制的下采样策略，通过学习长距离依赖关系进而实现无监督旋转估计，在旋转不变、对象旋转估计以及旋转增强分类和部分划分等方面取得了最先进的结果。

Mar, 2023

本文解决了3D点云深度学习中旋转不变性的不足，通过提出一种新颖的旋转不变架构来提高分类与分割的准确性。该方法利用局部三角表面构建，提取高度表达的旋转不变表面特性，并整合进命名为RISurConv的注意力增强卷积算子中，从而实现高精度的3D点云分析。

Aug, 2024