本文介绍了如何用深度学习方法对三维点云进行优化来达到更好的分类、检索等目标效果，与现在流行的最远点采样方法（FPS）相比，优劣显著。

Dec, 2018

本文介绍了一种新的差分松弛算法用于点云采样，请参考本文中的公式和实验结果，该方法在点云分类与几何重建等任务上表现优异。

Dec, 2019

该研究针对 3D 扫描时获得的稀疏、非均匀和嘈杂点云，提出了一种基于多目标的两级级联网络，包括稠密生成器和空间细化器，能够生成密集的均匀点集，同时修补小洞并调整每个点的位置，结果表明该方法优于现有技术。

Jun, 2021

本文提出了一种名为PointMLP的纯残差MLP网络，它不使用复杂的局部几何提取器，但仍能表现出很高的竞争力，装备了提出的轻量级几何仿射模块，PointMLP在多个数据集上都达到了新的最佳状态，相对于大多数最近的CurveNet，PointMLP的训练速度快两倍，测试速度快七倍，并在ModelNet40基准测试中获得更高的精度。

Feb, 2022

本研究提出了一种新型深度点云压缩方法，可以有效保留本地密度信息，采用自动编码器的方式进行降采样和上采样操作，通过密度嵌入、本地位置嵌入和先祖嵌入等方式编码点云局部几何和密度，并在解码时预测每个点的上采样因子和方向尺度，同时也可以压缩点云属性。实验结果表明，该算法在SemanticKITTI和ShapeNet数据集上实现了最先进的码率失真平衡。

Apr, 2022

本文提出一种利用希尔伯特空间填充曲线作为本地保留的一维排序的方法表示点云，并引入Point2Point神经架构，能够有效地学习排序后的点云并在点云分割和生成任务上展示出有竞争力的性能，最后展示了在点云的时空占用预测上，Point2Point的性能表现。

Jun, 2023

点云流媒体成为交互式服务交付和未来元宇宙的常态，但庞大的数据量带来了诸多挑战，特别是高带宽消耗和大储存容量。为解决这些问题，我们提出了一种有效的点云重建架构DiffPMAE，通过自监督学习和扩散模型机制远程重建点云数据，并在点云压缩、上采样和补全等下游任务中验证了其在自动编码和相关任务方面的优越性。

Dec, 2023

提出了一种基于重建评分策略的采样方法，通过去除和重建顶点来评估每个顶点的重要性。此方法在保留点云整体几何特征的同时避免破坏小尺度结构，在保留采样点云的结构特征方面优于先前方法。

Mar, 2024

本文解决了现有点云学习中的采样协议在面对传感器噪声等数据污染时的脆弱性问题。通过提出一种增强的点云采样协议PointDR，该方法结合了关键点识别和灵活样本大小的下采样与重采样策略，显著提升了点云学习的鲁棒性，尤其在受污染的点云分类任务中表现优于现有技术。

Aug, 2024

本研究解决了从稀疏或嘈杂数据中恢复密集且均匀分布的点云这一重大挑战。提出了一种简单高效的方法，通过对现有的八叉树3D U-Net进行小幅修改，实现了在单个网络中同时进行点云的上采样和清理，显著提高了推理速度和效率，并在多项基准测试中达到先进性能。这一方法旨在为点云处理设计提供新的视角与基础。

Oct, 2024