本文提出一种新颖的掩码自编码点云自监督学习方案，通过划分输入点云为不规则点区块和高比例随机掩码，设计了一种基于 Transformer 的自编码器，该方案在预训练过程中高效并且在各种下游任务中具有很好的泛化能力，包括在少样本物体分类方面表现出色。

Mar, 2022

本文提出了一个新的端到端深度自编码器来解决点云上无监督学习的挑战，其中在编码器端强制进行了基于图的增强以促进 PointNet 的局部结构，并且通过新颖的基于折叠的解码器将一个规范化的 2D 网格变形到点云的底层 3D 对象表面上，从而实现了低重建误差。

Dec, 2017

本文提出了一种针对三维点云的端到端无监督异常检测框架，该模型基于深度变分自编码器进行无监督学习和针对三维点云的异常分数计算，并在 ShapeNet 数据集上进行了广泛实验，证明了该方法优于基线方法。

Apr, 2023

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

本研究提出了一种基于能量的无序点集生成模型，通过 MCMC 最大似然学习来训练模型，并且不需要手工定义距离的度量标准来产生点云。该模型可以用于点云分类和插值。

Apr, 2020

本文提出了一种深度自编码器，其中包括了图形拓扑推断和过滤模块，以实现对非结构化 3D 点云的紧凑表示，在无监督的情况下处理原始 3D 点云，优于其他目前的方法，进一步提高了无监督学习性能。

May, 2019

本文提出了一种新的自监督范式来处理点云序列理解问题，设计了两个任务：基于点云序列的对比预测和重建（CPR）来协同学习更全面的时空表示。通过组合传统的对比和重建范例，使得学习到的表示在全局判别和局部感知方面都更加优越。

May, 2023

该论文探讨了点云作为表示几何数据的方法，利用深度自编码器网络来提高 3D 识别及形状编辑的表现，并对不同的生成模型进行了研究，发现在 AE 的潜在空间中训练的高斯混合模型具有最佳的生成效果。

Jul, 2017

该论文提出了一个名为 SeRP 的框架，用于自监督 3D 点云学习，其中包括编码器 - 解码器架构，可以接受输入的扰动或损坏的点云，并旨在在没有损坏的情况下重构原始点云，使用了 Transformers 和 PointNet-based 自编码器，还解决了基于 Transformers 的掩膜自编码器的一些局限性，最终提出了基于向量量化的自编码器 VASP 用于点云的表示学习。

Sep, 2022

提出了一种自监督的点云上采样方法 SPU-Net，该方法利用深度学习模型和 GCN 捕获点云上采样的内在模式，具有解决真实数据稀疏问题的能力。实验表明，该方法与现有的监督方法相比具有可比性能。

Dec, 2020