本研究提出一种简单而灵活的框架，可同时在点云中进行实例和语义分割，通过学习语义感知的点级实例嵌入使实例分割受益于语义分割，同时融合属于同一实例的点的语义特征，以进行更精确的每点语义预测。此方法在 3D 实例分割上表现优异，并显著提高了 3D 语义分割。

Feb, 2019

研究了点云（point cloud）语义实例分割的问题，提出了一种动态的、无需生成建议、数据驱动的方法，可以根据实例的特点生成适当的卷积核，在几个简单的卷积层中解码实例，并采用小型轻量级 Transformer 来捕捉点样本之间的长距依赖和高级别交互。该方法在 ScanetNetV2 和 S3DIS 数据集上均取得了良好的结果，在超参数选择上具有鲁棒性，并且比最先进的方法可提高 25% 以上的推理速度。

Nov, 2020

本文提出了一种无需过多手工注释、称为 FreePoint 的方法，用于针对点云进行不考虑类别的实例分割。该方法使用自我监督深度特征表示点特征，并使用多覆盖割算法将点云分割为粗略的实例掩模。同时，作者还提出了一种弱监督的训练策略和相应的损失，以减轻粗略掩模在训练过程中的不准确性。通过 Fine-tuning 方法，FreePoint 在 S3DIS 数据集上的表现优于仅使用 10% 的遮罩注释训练的模型。

May, 2023

该研究主要讨论了基于深度学习的三维分割在点云数据处理中的应用，并评估了不同分割算法对不同数据集的竞争力以及最常使用的处理流程、其优势、限制、未来研究方向等。

Jun, 2024

本文提出了一种新的方法来解决在 3D 点云上进行实例分割时可能出现的计算量过大、类别识别性能不佳等问题，其中本文重要的贡献是提出了一种独立于输入类别和大小的度量标准，通过该标准，新方法在现有研究中表现出最好的性能。

Sep, 2019

PointGroup 是一种新的端到端自下而上架构方法，专为更好地通过探索对象之间的空白空间对点进行分组而设计，通过两个分支网络提取点特征并预测语义标签与偏移量，利用原始和偏移移动的点坐标集，使用 ScoreNet 评估候选实例，并使用 NMS 消除重复。与先前的最佳解决方案相比，PointGroup 在 ScanNet v2 和 S3DIS 数据集上都取得了高性能，分别为 63.6％和 64.0％，而前者为 54.9％和 54.4％（在 IoU 阈值为 0.5 时的 mAP）。

Apr, 2020

我们提出了一种名为 Self-Prediction 的学习模式，用于处理点云的三维实例和语义分割问题。我们的方法强调了点关系探索方面的新学习模式，与大多数现有方法不同，该方法通过自我预测任务来训练骨干网络，从而使模型更好地探索关系、几何和形状信息并学习更具有区分性的特征进行分割，实现了在 S3DIS 和 ShapeNet 上实例分割结果的最先进性，并只使用 PointNet ++ 作为骨干网络时与现有技术的语义分割结果相当。

Jul, 2020

本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

Mar, 2020

本文提出了一种新的点云实例分割框架，其中包括嵌入步骤和聚类步骤。嵌入步骤中，每个点用三元正态分布表示，聚类步骤中，提出了一种有利于语义分割和聚类的新损失函数，并在 PartNet 数据集上实验得到了显著的改进。

Nov, 2019

本文提出了一种新的多对象跟踪方法，该方法利用无序的 2D 点云表示来生成实例嵌入，从随机选择的点中学习辨别实例嵌入，利用多种信息数据模态来丰富点特征，基于此建立了在线 MOTS 系统 PointTrack，在三个数据集上进行评估，并构建了一个更具挑战性的 MOTS 数据集 APOLLO MOTS。

Jul, 2020