本文提出了一种名为 'Flow Alignment Module' 的方法，通过学习场景不同层级之间的语义流，并将高层次特征有效和高效地广播到高分辨率特征，使得在轻量级骨干网络上如 ResNet-18 表现卓越，在 Cityscapes 数据集上获得了 80.4% 分割精度，时速达到 26FPS。

Feb, 2020

我们专注于城市场景点云的语义分割方法，提出了一种名为 APNet 的网络架构，利用不同上下文信息和网络架构的协同利用，将点云分支和航空影像分支进行几何感知融合，以达到数据融合的最佳性能。实验证明，融合模块的输出始终优于各个网络分支的结果，并且 APNet 在 SensatUrban 数据集上取得了 65.2 的 mIoU 的最新性能。

Sep, 2023

通过将三维坐标储存在二维网格中，以稠密格式规范点云数据并提供有效的特征融合，从而在场景流估计问题上提供更高效和有效的方法。

Aug, 2023

提出了一种基于 2D 监督的新型深度图卷积网络框架，用于大规模语义场景点云的分割，通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征，并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入， 即使只有单个训练样本的情况下，也能够进行自然场景下的 3D 分割训练，扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。

Apr, 2020

该研究设计了 FPS-Net 网络，利用点云投影图像的不同特征进行多模态特征融合，旨在优化点云的分段。该网络的有效性在广泛实验中得到证明，可以实现优于现有方法的语义分割，并且引入的多模态融合思想也兼容于典型的投影方法。

Mar, 2021

本文提出了一种无需过多手工注释、称为 FreePoint 的方法，用于针对点云进行不考虑类别的实例分割。该方法使用自我监督深度特征表示点特征，并使用多覆盖割算法将点云分割为粗略的实例掩模。同时，作者还提出了一种弱监督的训练策略和相应的损失，以减轻粗略掩模在训练过程中的不准确性。通过 Fine-tuning 方法，FreePoint 在 S3DIS 数据集上的表现优于仅使用 10% 的遮罩注释训练的模型。

May, 2023

提出了一个用于建筑模型的框架，针对点云清理、平面检测和语义分割等挑战进行处理，通过自适应阈值技术来清除异常值，并采用稳健的 RANSAC 算法进行平面检测和基于 PointNet 架构的深度学习方法进行建筑物的语义分割，结果表明该框架在建筑模型任务中具有高效和准确性，为建筑模型领域的提高准确性和效率铺平了道路。

Feb, 2024

本文探讨了如何扩展 PointNet 架构以涵盖较大尺度的三维空间语义分割。通过两种扩展策略，该方法在室内和室外数据集上均取得了较好的结果。

Feb, 2018

本研究提出一种名为 IAF-Net 的网络，利用分层语义特征自适应选择难以区分的点并加强精细特征，以解决大规模 3D 点云语义分割中的难点，并引入多阶段损失和新型评价指标 IPBM 来改善特征表示和进行分割性能分析。结果表明，IAF-Net 在几个热门 3D 点云数据集上取得了与最先进性能相当的结果，并在 IPBM 上明显优于其他方法。

Mar, 2021

通过使用多任务深度网络在欧几里德空间和嵌入空间中构建的点聚类方法来解决屋顶平面分割中边界问题，并构建了合成数据集和真实数据集验证了该方法的显著优越性。

Sep, 2023