自我监督的 3D 表示学习旨在从大规模未标记的点云中学习有效的表示。我们提出了 GroupContrast，一种将分段分组和语义感知对比学习相结合的新方法，通过分段分组提高语义一致性并为后续的对比表示学习提供语义指导，从而减轻了 “语义冲突” 问题。

Mar, 2024

我们提出了一个统一的点云视频自监督学习框架，用于面向对象和面向场景的数据。通过在点级别进行对比学习，我们的方法能够捕捉到细粒度语义。同时，我们引入了一个新的预训练任务，通过实现超点的语义对齐来进一步提高表示能力。此外，为了解决动态点云时间维度的高冗余性问题，我们提出了一种选择策略来保留适当的负样本，并利用其他实例中的高相似样本作为正样本的补充。大量实验证明我们的方法在各种下游任务上优于有监督对应方法，并展示了学到的表示的卓越可迁移性。

Aug, 2023

本研究提出了一种名为 CrossPoint 的简单跨模态对比学习方法，通过自监督学习，在不需要人类标注的情况下，实现可转移的三维点云表示，通过最大化点云和相应渲染的二维图像之间的协议，实现了三维物体分类和分割等多项任务，并验证了我们的方法在提高点云理解方面的效果。

Mar, 2022

本文提出了一种基于自我监督学习的弱监督方法解决大规模点云语义分割的问题，采用点云着色作为预处理任务，通过生成类原型的方式生成伪标签，并提出了一种稀疏标签传播机制，该方法在室内外不同情景的大规模点云数据集上得到了更好的弱监督结果和与完全监督方法可比的结果。

Dec, 2022

本文提出的伪标签辅助点云分割方法，可使用非常少的弱标签 (稀疏采样的) 以较低的标注成本获得与全监督方案相同的结果，并且提出了自适应阈值策略来生成基于预测概率的伪标签进行学习。实验证明，本方法在 ISPRS 3D 语义标注基准数据集上取得了 83.7% 的整体准确率和 70.2% 的平均 F1 分数。

May, 2021

本论文提出了一种弱监督点云分割方法，可以在训练阶段仅标记极少量点，通过学习梯度近似和利用额外的空间和颜色平滑约束来实现，性能接近或甚至优于全监督的方法，具有很高的实用性。

Apr, 2020

我们提出了一种名为 Self-Prediction 的学习模式，用于处理点云的三维实例和语义分割问题。我们的方法强调了点关系探索方面的新学习模式，与大多数现有方法不同，该方法通过自我预测任务来训练骨干网络，从而使模型更好地探索关系、几何和形状信息并学习更具有区分性的特征进行分割，实现了在 S3DIS 和 ShapeNet 上实例分割结果的最先进性，并只使用 PointNet ++ 作为骨干网络时与现有技术的语义分割结果相当。

Jul, 2020

提出了一种通过语言辅助的方法来学习点云特征，使用 LMMs 文本丰富语义概念，通过基于统计的显著特征选择实现去冗余和降低特征维度，进一步分析了文本对点云的对比训练的影响，实验证实所提出的方法在三维语义分割、三维物体检测和三维场景分类任务中学习到了有意义的点云特征，并获得了最先进或可比较的性能。

Dec, 2023

本研究提出了自对比学习方法用于自我监督点云表示学习，以捕捉点云的局部几何模式和非局部语义基元。实验结果表明，该方法在自我监督点云分割和分类转移学习等领域的基准数据集上取得了最先进的性能。

Jul, 2021

我们介绍了一种新的解耦优化框架，通过交替优化方式解决了现有基于半监督学习的方法中存在的严重训练偏差问题，主要是由于类别不平衡和点云数据的长尾分布导致了尾部类别分割的偏置预测。

Jan, 2024