提出了一种新的基于几何感知网络的域自适应模型，通过利用更紧凑的三维几何点云表示来缩小领域差距，显式利用从 RGB-D 图像生成的点云的三维拓扑结构进行伪标签的细化，解决了估计二维深度时无法从根本上提取对象的内部三维信息的问题，并在 GTA5->Cityscapes 和 SYNTHIA->Cityscapes 两个领域中表现出的定量和定性的有效性，超越了现有的技术水平。

Dec, 2022

本论文提出了一种基于对比学习方法的学习强大点云表示的新策略，该方法可以嵌入任何点云分类网络中，通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化，并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题，并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本，实验证明该方法比现有技术表现更好，并在现有技术中实现了显著的性能提升。

Jan, 2022

本论文提出了一种基于局部图表示的点云学习框架，通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性，这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能，具有重要的研究意义。

Dec, 2018

本文提出了一种新颖的能够同时模拟几何空间和出现空间中的跨域移位的几何感知域自适应网络 (GA-DAN)，并可在具有非常不同特征的不同领域之间实现逼真的图像转换。在所提出的 GA-DAN 中，设计了一种新颖的多模态空间学习技术，它将源域图像转换为目标域中不同空间视图的多个图像。还引入了一种新的分离循环一致性损失 (loss)，来平衡外观空间和几何空间的循环一致性，并大大提高整个网络的学习性能，该 GA-DAN 在经典场景文本检测和识别任务中进行了评估，实验证明，在应用于网络训练时，域适应图像可以实现更好的场景文本检测和识别性能。

Jul, 2019

本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分，结果展现出直观可解释的行为，在姿态转换和姿态感知形状检索等任务上表现出色，为人工智能中 3D 形状表示问题提供重要思路。

Aug, 2019

介绍了一种深度神经网络 DSG-Net，通过变分自编码器在分层结构上同时学习结构和几何形状，并使用条件部分 VAE 表示高质量的几何细节，从而实现了 D 形状生成的可控、高质量和可分离表示。

Aug, 2020

本文提出了 Geometry Sharing Network (GS-Net) 解决了近几年对于使用深度卷积神经网络对 3D 点云进行分类时，如何处理数据的几何变换问题，实验结果表明 GS-Net 可以提高软件对于这些变换的鲁棒性。

Dec, 2019

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

本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。

Aug, 2021

本文提出了一种用于点云数据的新型三维领域自适应网络 (PointDAN)，通过自适应节点模块和节点注意力模块对局部几何结构和全局特征进行多级联合校准以实现点云数据的三维领域自适应。

Nov, 2019