本文提出 3DFeat-Net 算法，利用弱监督学习 3D 特征检测器和描述符，通过对齐和注意机制学习 GPS/INS 标记的 3D 点云的特征对应关系，无需显式指定匹配点群，实验表明其在室外重力对齐数据集上取得了最优表现。

Jul, 2018

提出了一种基于两个分支的神经网络，用于点云的完形填充，其中第一个分支是连锁的对象完形子网络，第二个分支是一个自编码器，共同利用局部输入和粗糙输出来保留对象细节，并使用相同的特征提取器学习形状完形的全局特征，实验结果表明，该方法在点云完形填充任务上的效果超越了现有技术的方法。

Oct, 2020

本论文介绍了一种名为 NeeDrop 的自我监督方法，以从可能极其稀疏的点云中学习形状表示，其利用随机落针的统计学原理进行表面重构，具有与现有监督方法相当的定量结果，适用于自动驾驶等硬性场景。

Nov, 2021

本研究提出了一种新的自监督框架 ACL-SPC 用于点云完整性恢复的培训和测试在相同的数据上。ACL-SPC采用自适应闭环（ACL）系统，以在输入变化时强制输出相同的输出。实验结果表明，ACL-SPC 可以成功地学习完成部分点云并在真实世界数据集上比受过合成数据集训练的监督方法取得更好的性能，证明了自监督学习的必要性和所提出的方法的有效性。

Mar, 2023

本研究综述了使用深度神经网络实现无监督点云表示学习的方法，解决在人工标注数据量有限的问题。研究挖掘了常用数据集和评估指标，提出了基于这些技术的自监督点云表示学习方法的广泛应用，并指出未来可能面临的挑战和潜在问题。

May, 2023

本文介绍了一种基于几何特征重建的点云表示学习框架，其中包括三个点云专有的自监督学习目标，即质心预测、表面法线估计和曲率预测。该框架采用自监督学习方法，创造有意义的任务，相互促进模型更好地推理点云的精细几何结构。通过训练后，该模型在物体检测、分割和多目标跟踪等任务上均实现了显著的表现提升。

May, 2023

本文提出了一种名为SDS-Complete的方法，该方法利用预训练的文本到图像扩散模型，借助给定不完整点云对象的文本语义获取完整的表面表示，其可以有效地重建通过现实世界深度传感器和LiDAR扫描仪捕获的不完整扫描物体，相较于当前方法平均减少了50％的Chamfer损失。

Jun, 2023

Point cloud completion using a self-supervised framework called Partial2Complete (P2C) that utilizes incomplete point clouds to predict masked patches by learning prior information from different partial objects, incorporating a region-aware chamfer distance and a normal consistency constraint, and demonstrating comparable results to methods trained with complete shapes.

Jul, 2023

在不需要完备地面真实数据的情况下，使用单个部分点云对象，我们提出了MAL-SPC，一个能够有效利用物体级和类别特定几何相似性来完成缺失结构的框架。通过引入 Pattern Retrieval Network 来提取部分输入和预测形状之间的相似位置和曲率模式，然后利用这些相似性来密集化和优化重建结果。此外，我们将重建完成的形状渲染为多视角深度图，并设计了一个对抗学习模块，从类别特定的单视角深度图像中学习目标形状的几何结构。为了实现各向异性渲染，我们设计了一种密度感知半径估计算法来提高渲染图像的质量。与现有最先进的方法相比，我们的 MAL-SPC 取得了最佳的结果。我们将在此网址公开提供源代码。

Jul, 2024

本研究针对现有方法在真实世界数据上适用性不足的问题，提出了一种自监督框架RealDiff，将点云补全视为基于现实测量的条件生成问题。通过模拟缺失物体部件的扩散过程，并结合额外的几何线索，RealDiff在处理噪声观测数据时表现出色，实验结果表明该方法在现实世界的点云补全中显著优于当前最先进的方法。

Sep, 2024