本文提出了基于点云的 3D 对象完成和分类方法，其中引入了一种称为软池化的提取特征的新方式和区域卷积的解码器阶段，该方法可与许多点云架构（如 AtlasNet 和 PCN）结合使用，并在物体完成和分类等 3D 任务上取得了最新的准确性

Aug, 2020

该论文提出了一种新方法 PoinTr，将点云补全问题重新构造为集合对集合翻译问题，并采用 Transformer 编码器 - 解码器架构。通过使用定位嵌入在无序点组中表示点云，我们将点云转换为点代理序列，并使用变形器进行点云生成。在点云的局部几何关系中，我们进一步设计了一种几何感知块以更好地利用点云的 3D 几何结构归纳偏差，使得变形器能够更好地学习结构知识和保留详细信息，从而完善点云。此外，我们提出了两个具有更多不完整点云的具有挑战性的基准测试，以更好地反映现实世界的情况。实证结果表明，我们的方法在新的基准测试和现有基准测试上均优于现有最先进的方法。

Aug, 2021

本文提出了一种新的方法，将点云补全问题转化为集合转换问题，并设计了一种名为 PoinTr 的新模型，采用 Transformer 编码器 - 解码器架构进行点云补全。通过将点云表示为带有位置嵌入的无序点组的集合，我们将输入数据转换为点代理的序列，并使用 Transformer 进行生成。为了更好地利用点云的 3D 几何结构的归纳偏差，我们进一步设计了一个几何感知块，以显式模拟本地几何关系。我们还进一步提出了 AdaPoinTr，并在点云完成期间开发了自适应查询生成机制和新颖的去噪任务，实现了模型的高效和有效训练。我们还展示了我们的方法可以扩展到场景级点云完成方案，并设计了一种新的几何增强语义场景完成框架。我们的方法在现有和新提出的数据集上进行了大量实验证明其有效性，获得了 6.53CD 的 PCN，0.81CD 的 ShapeNet-55 和 0.392MMD 的真实 KITTI，在各种基准测试中均超过了其他工作，并建立了新的技术水平。值得注意的是，AdaPoinTr 可以以更高的吞吐量和更少的 FLOP 实现如此令人满意的性能，而不像以前的最佳方法。

Jan, 2023

通过基于学习的方法，利用生成建模和潜在流形优化来完成不完整的三维形状，我们的算法直接处理点云数据，成功地重建了在没有依赖基于示例数据库的检索的情况下大缺失区域的点云。

Jul, 2018

本文提出了一种新的深度学习方法，通过去除噪声并保持尖锐特征，自动而又稳健地过滤点云，其点对点的学习架构由编码器和解码器组成，并在视觉质量和数量误差指标方面均优于现有深度学习技术。

Feb, 2020

通过遮挡数据重建来对点云进行预训练处理，证明该方法能显著提升不同数据集和编码器的下游任务精度，特别是在对象分类和分割方面比以往预训练方法表现更优。

Oct, 2020

本文介绍了使用基于体素的网络和边缘生成（VE-PCN）来实现点云补全的方法，该方法采用多尺度网格特征学习来生成更真实的表面细节，并在公开数据集上进行了评估，表现优于现有的最先进方法。

Aug, 2021

通过预测三维骨架以及从骨架点学习偏移量，提出了一种骨架桥接点完形网络（SK-PCN），将形状完形分解为结构估计和表面重建，并采用本地调整策略合并输入点云以进行表面细化。实验表明，相比于现有方法，该方法在点云和网格完成的各个对象类别上表现更好。

Oct, 2020

我们提出了一种新的卷积算子，用于点云完成的任务。我们的方法的一个显著特点是与相关工作相反，它不需要任何最大池化或体素化操作。我们的算子不断提取具有置换不变性的特征，以保留细粒度的几何细节，通过对特征激活的软池化，从而学习编码器中的点云嵌入。通过特定设计的跳跃连接，将对应层之间的链接建立在编码器和解码器之间，以克服这类结构常见的限制，同时在点云完成任务中达到了最佳性能。

May, 2022

该研究提出了一种基于深度学习的点云重建网络，采用两个阶段进行密集化、去噪和点云完整性重建，其中使用了变换器进行离散体素向 3D 点的转换，同时提出了放大位置编码模块以优化变换器，实现在 3D 扫描建模领域的最新水平。

Nov, 2021