该研究提出了一种新的三维点云表示网络，称为动态聚类变换网络（DCTNet），它利用编码器 - 解码器架构来学习全局和局部特征，并提出了新的语义特征动态采样和聚类方法以及一个高效的语义特征引导上采样方法，验证了其在点云分割任务上的性能优于现有的最先进模型。

May, 2023

本文提出了一种基于 Point Cross-Attention Transformer 的新型端到端网络结构，将多尺度特征通过两个不同的跨注意力变换器分支进行组合，并引入一种有效的形状分类模型，通过计算不同分支的单类标记与注意图来减少计算负担，实验表明该方法在形状分类，部分分割和语义分割任务中表现优异。

Apr, 2023

本篇文章提出了一种特定于医用点云的基于注意力机制的 3D 医用点云 Transformer (3DMedPT) 模型，通过增加上下文信息和在查询时总结局部响应，可以捕捉局部和全局特征交互，同时应用位置嵌入学习准确的局部几何形状和多图推理 (MGR) 来丰富特征表示，在医用数据上的实验表明该方法的分类和分割能力优于其他方法，并且具有良好的泛化能力。

Dec, 2021

本研究提出了 CDFormer，一种新的利用收集和分布机制的 Transformer 架构，可对点云的局部和全局结构进行有效学习，并在四个流行的点云数据集上取得了新的最佳分类和分割结果。

Jun, 2023

通过提出自适应点云变换器（AdaPT）模型，文章解决了点云变换器（PT）在处理大规模点云时的可扩展性挑战，实现了较低的计算复杂度和竞争性的分类准确率。

Jan, 2024

本文提出了一种新颖的框架，名为点云 Transformer（PCT），它是基于 Transformer 的，并在点云学习方面具有很好的性能。为了更好地捕获点云中的局部信息，我们利用最远点采样和最近邻搜索增强输入嵌入。实验结果表明，PCT 在形状分类、部分分割和法向估计任务中取得了最优性能。

Dec, 2020

该研究提出了一个名为 Graph Transformer 的新特征提取模块，它能够在局部和全局模式下学习点云特征。该模块将基于图形和变压器的方法的优点相结合，并包括局部变换器和全局变换器模块。在此基础上，构建了一个 3D 点云网络 GTNet，可以用于形状分类、部分分割和语义分割任务。

May, 2023

本文首次提供了深入的视角，从多个方面分类当前基于 Transformer 框架的方法，针对自注意机制的变体和改进进行了探究，并在分类、分割、目标检测等方面进行了综合对比，最后提出了三个潜在的研究方向，为 3D Transformers 的发展提供了有益参考。

May, 2022

我们提出了一种新的深度点云处理架构的多功能建筑块，该建筑块将空间转换器和多视图卷积网络的思想与二维和三维密集网格中标准卷积层的效率相结合，实现信息的多个并行头的协同作业，以更新点特征，取得了点云处理方面生成和判别任务的最新成果。

Jul, 2020

本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

Dec, 2021