我们提出了一种名为 PRENet 的点云序列网络，利用平面拟合减少序列的空间冗余，并同时对整个序列的时间冗余进行编码，从而实现减少冗余计算。实验结果表明，我们的方法几乎达到了其他最先进方法相同的识别准确率，但速度快了近四倍。

May, 2024

本文提出了一种名为 MeteorNet 的神经网络结构，用于学习动态 3D 点云序列的表示，该网络直接处理点云序列并构建了两种构建时空邻域的方法，表现优于传统基于网格的方法且达到了先进水平。这是深度学习方面对于动态原始点云序列的首次研究。

Oct, 2019

本研究提出了一种名为 Point2Sequence 的新型深度学习模型，用于学习 3D 形状特征，通过一种新颖的隐式方法捕捉了区域内的细粒度上下文信息， Point2Sequence 采用点云的新颖序列学习模型，通过注意力归纳局部区域的多尺度范围来捕获相关性，实验结果在形状分类和分割任务中取得了最优表现。

Nov, 2018

比较三维点云方法和基于图像序列的方法在场所识别性能上的差异，结果表明对于特定度量跨度，基于图像序列的技术可以接近甚至超过基于点云的方法的表现。

Jun, 2021

提出一种端到端学习网络，用于预测点云序列中的未来帧，其中网络以点云的拓扑信息作为几何特征学习初始层，形成代表性的时空邻域，在多个 Graph-RNN 单元中学习点的动态（即 RNN 状态），并与时空邻近点一起处理。测试结果表明，我们的方法在忽略几何特征信息的基准线方法上表现出色，应用于包括 MINST 运动数字、合成人体动作和 JPEG 动态人体数据集的预测中。

Feb, 2021

本文提出了一种利用点云深度学习范式的方法，并引入了一种名为结构化关键点池化的深度神经网络架构，该方法针对骨架检测和跟踪误差、目标动作的少样性以及针对个人和帧的动作识别提出了统一的解决方案，同时还提出了一种 Pooling-Switching Trick，能够在弱监督下处理不同视频中的多个点云，实现对新数据的有效扩充，相比之前的研究能够更好地进行骨架和时空动作的识别和本地化。

Mar, 2023

本研究提出了一个名为 Point2Seq 的简单而有效的框架，用于从点云中检测 3D 物体。与以往的方法不同，我们明确地建立了 3D 物体属性之间的依赖关系，将 3D 物体视为单词序列，并以自回归方式从 3D 场景中解码单词，进而得到所有 3D 物体的序列，并最终通过基于相似性的序列匹配自动分配到相应的真实值。

Mar, 2022

提出了一种名为点时空（PST）卷积的方法，可以用于点云序列的空间 - 时间建模，该方法首先分离点云序列的空间和时间维度，然后采用空间卷积和时间卷积分别捕捉点在三维空间中的局部结构和在时间维度上的动态变化，并将 PST 卷积集成到深度网络 PSTNet 中，以分层方式提取点云序列的特征。实验结果表明，PSTNet 方法对于 3D 动作识别和 4D 语义分割数据集建模的有效性。

May, 2022

使用 TTPOINT 轻量且通用的点云网络，在运动识别任务中相比传统基于帧的方法只使用了 1.5% 的计算资源，并通过层次结构抽象本地和全局几何特征。同时，通过使用张量列分解方法，即使在对参数进行 55% 的压缩时，也能保持了 TTPOINT 的高准确性。

Aug, 2023

该论文提出了一个新框架，利用 PointNet 表征对齐点云和执行注册，以实现跟踪，3D 重建和姿态估计等应用，能够根据点云的形状信息生成特定形状或通用的方法，并具有噪声和数据初始化错位的鲁棒性。

Aug, 2019