该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

Sep, 2020

提出了一种自我监督学习方法，利用点云数据来预训练深度神经网络用于对象分类和语义分割，从而在减少监督样本数量方面提高样本效率。该方法不需要特定的网络体系结构，并且在下游的对象分类任务中优于当前无监督学习方法。

Jan, 2019

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

本文提出了一种基于 3D 自监督学习的点云学习方法，通过旋转点云实现无标签的自我监督，在形状分类和 3D 关键点预测等任务上表现出色，学习到的特征优于其他自监督方法。

Aug, 2020

本文介绍了近期基于 DNN 的点云 SSL 的综述，包括定义、动机、背景、基于几种常见 Task-agnostic 预训练的创新分类方法，以及对于基准数据集的实验结果总结，最终给出了针对当前点云 SSL 限制的改进和未来研究方向。

May, 2023

通过使用基于边界采样的方法和基于熵的优化过程，我们提出一种从稀疏输入中学习占据场的方法，并展示了该方法在隐式形状推断方面相对于基线方法和现有技术的有效性。

Apr, 2024

本文提出了一种弱监督学习的三维形状补全方法，旨在解决从稀疏噪声点云进行三维形状补全的问题。与现有的数据驱动方法和基于学习的方法相比，该方法既不需要昂贵的优化步骤，也不需要直接监督，通过使用深度神经网络来学习最大似然拟合，具有高效和准确的形状补全能力。在来自 ShapeNet、ModelNet、KITTI 和 Kinect 的综合基准测试中，该方法能够与最近的完全监督基线相竞争，并且优于数据驱动方法，同时需要更少的监督并具有显着的速度优势。

May, 2018

本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。

Apr, 2020

本文主张在基于自监督的三维表征学习中使用隐式曲面表征，通过提出的隐式自编码器（IAE）方法，解决了点云重建过程中的离散化采样误差问题，并在各种自监督学习基准测试中达到了最先进的性能水平。

Jan, 2022

本文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。通过对技术方法的描述、评估以及相关数据集和体系结构的介绍，总结讨论了无监督点云表示学习方法的现有研究，并对多个广泛采用的点云数据集进行了定量基准测试及分析。最后，提出了未来研究中可能面临的挑战和问题。

Feb, 2022