通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

May, 2024

我们提出了神经梯度学习（NGL），一种用于从三维点云中学习具有一致方向的梯度向量的深度学习方法，具有出色的梯度近似性能。我们利用简单的神经网络对目标函数进行参数化，使用全局隐式表示在点上产生梯度；然而，由于缺乏局部详细描述，导致得到的梯度通常与真实的定向法线相差很大。因此，我们引入了基于局部平面几何的梯度向量优化（GVO），以学习角距离场以细化粗糙的梯度向量。最后，我们用粗糙估计后的细化进行我们的方法的二阶段流程。此外，我们将两个加权函数（各向异性核和内点得分）整合到优化中，以提高鲁棒性和保持细节的性能。我们的方法在全局梯度近似性能高效且同时具有更好的局部特征描述的准确性和泛化能力，因此成为具有抗噪声、异常值和点密度变化能力的最先进的法线估计器。广泛的评估结果表明，我们的方法在常用基准测试中无定向和定向法线估计方面优于之前的工作。源代码和预训练模型可以在此 https URL 获取。

Sep, 2023

本文提出一种基于多补丁拼接的有效法线估计方法。通过使用局部特征聚合和多支平面专家模块等创新手段，实现在降低计算成本和提高鲁棒性的同时，取得了极具竞争力的效果。

Mar, 2021

通过引入一种新的神经梯度函数学习范式，我们提出了一种从点云中直接估计定向法线的新方法，它能够更准确地学习未定向和定向法线估计任务。

Nov, 2023

本文提出使用深度神经网络（DNNs）进行具有较低近似误差的点云法向量估计，其中采用了 Z 方向变换和误差建模作为基本设计原则，并将其与现有最先进的法向量估计方法集成。

Mar, 2023

提出了一种新的方法来为从多重曲面采样的点云生成全局一致的法线。通过边界能量最优化，恢复全局调和性以恢复全局一致的法线。与现有方法相比，在噪声、异常值、复杂拓扑和薄结构方面表现出更强的鲁棒性。

Jul, 2024

本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。

May, 2023

提出了一种使用 PointNet-based 深度神经网络学习具有区分性的 3D 局部深度描述符 (DIPs) 的简单而有效的方法，该方法可用于在不需要初始对齐的情况下注册点云。

Sep, 2020

本文描述了一种名为 BiProDet 的双向特征传播框架，使用点到像素的信息流和像素到点的信息流等机制优化了 3D 目标检测。同时，提出一种新的 2D 辅助任务，用于训练 2D 分支并间接提高 3D 检测的性能。实验证明，该方法在 KITTI 数据集的自行车类上的排名为第一位。

Jan, 2023

本文提出了一种基于信息传递方案的新颖简单框架，通过为每个点引入方向来获得等变性，从而使点云分析更加灵活，并提供了正式的证明以表明其等变性。

Mar, 2022