该研究提出了 NeuralPCI，这是一个能隐式整合多帧信息用于处理室内和室外大非线性运动的 4D 时空神经场，以及一个名为 NL-Drive 的新的点云插值数据集。该方法在 DHB 和 NL-Drive 数据集上取得了最先进的性能，并在点云外推、变形和自动标记等其他领域具有潜在的应用价值。

Mar, 2023

本研究介绍一种名为 PointINet 的新型框架，其利用三维场景流计算出两个点云帧之间的插值帧以提高激光雷达的帧率。通过定量和定性实验证明了该方法的有效性，并在两个大型室外 LiDAR 数据集上展示了出色的表现。

Dec, 2020

通过提出神经内在嵌入（NIE）来嵌入每个顶点到高维空间从而建立弱监督的非刚性点云配准框架，无需先前的基础构建或真实配准标签。实验证明我们的框架表现与现代方法相当甚至更好，而这些方法通常需要更多的监督和 / 或结构几何输入。

Mar, 2023

DeepICP 是一种端到端的学习框架，采用多种深度神经网络结构来实现 3D 点云的配准，并集成了局部相似性和全局几何约束以提高配准精度和鲁棒性。

May, 2019

本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。

Nov, 2020

本文提出了 DeepI2P：一种新的图像和点云之间的跨模态配准方法。通过将配准问题转化为分类和逆投影优化问题，并使用分类神经网络来对点云中的每个点进行分类。通过这种方法估计相对刚性变换，进而解决了图像和点云之间特征描述缺失的问题。实验结果表明了我们方法的可行性。

Apr, 2021

本文介绍了一种基于无监督和端到端深度学习的框架 CorrNet3D，以学习 3D 形状之间的密集对应关系，并证明了其相对于最先进的方法具有更好的性能，源代码和预先训练好的模型可通过链接获得。

Dec, 2020

本论文提出了一种基于局部图表示的点云学习框架，通过学习内部的三维几何特征并使用基于图卷积网络的特征提取网络来实现三维变换不变性，这种方法在分类和分割任务中取得了最先进的性能和有竞争力的性能，具有重要的研究意义。

Dec, 2018

研究介绍了一种用于 Lagrangian 形式下的点云的机器学习方法，该方法可以学习稳定和具有时间相关性的特征，以解决在这些方法中存在的固有问题，例如点云形成的 halo 结构。

Jul, 2019

提出了使用迭代变换网络 (IT-Net) 模块来完成无完整对象模型的局部点云的姿态估计，进而在形状分类和物体部分分割等任务上实现了卓越的性能。

Nov, 2018