该论文提出了一种用于物体识别和3D姿态估计的描述符计算方法，利用卷积神经网络计算描述符并通过简单的相似性和差异性约束训练，使不同对象和不同视角下的图像聚类成互相分离的簇，从而在各种数据下超越了现有的物体视图表现。

Feb, 2015

本研究通过对3D人体姿态估计表征问题的认真研究，提出了一种方法，并且对现有的最优解的表现进行了超越，在标准测试基准中相对误差降低超过30％，该方法包括Convolutional Network、端到端的学习模型、从粗到细的预测方案和三维体表示。

Nov, 2016

我们提出了一种完全通用的深度姿态估计方法，通过动态条件姿态估计和目标物体的3D模型表示相结合，能够对不属于预定义类别的自然实体进行训练并将其推广到全新类型的3D对象。

Jun, 2019

本文提出了一种新的低层纯旋转不变表示，以替代常见的3D笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

Mar, 2020

本文提出了一种新型的卷积操作符，通过将全局上下文信息与卷积融合，增强了点云数据中特征的区分度，从而解决了旋转不变性卷积的性能问题，并在多项点云任务中实现了最先进的结果。

Aug, 2020

研究了3D点卷积中平移不变性和等变性的关系，并使用旋转等变对齐改进了卷积网络，实现了物体分类和语义分割方面的表现提升，减少平移不变和标准3D深度学习方法之间的差距。

Dec, 2020

本文提出一种简单且有效的卷积算子，通过设计强大的旋转不变特征来增强特征描绘能力，实现旋转不变性，并在真实和合成的点云分类、部分分割和形状检索实验中取得了挑战性旋转下的最先进精度。

Feb, 2022

提出了一种基于几何学的、适用于具有严重类内形状变化的物体类别级别姿态估计系统GPV-Pose，该系统通过引入自信驱动旋转表示法和几何引导的点对点投票模式来提高分类级别姿态敏感特征的学习，并利用不同的输出流来实现几何一致性项的推理，优于公共基准测试的最新竞争对手，同时在20 FPS的实时推理速度下几乎达到最佳表现。

Mar, 2022

本研究介绍了一种新颖的Patch-wise Rotation-invariant网格，通过Feature Disentanglement实现旋转不变性，并且Propose了一个Rotation-Invariant Geometric Relation来还原每个Patch的相对位姿信息，在3D模型分类和部分分割任务方面实现了有竞争力的结果。

Feb, 2023

本文解决了3D点云深度学习中旋转不变性的不足，通过提出一种新颖的旋转不变架构来提高分类与分割的准确性。该方法利用局部三角表面构建，提取高度表达的旋转不变表面特性，并整合进命名为RISurConv的注意力增强卷积算子中，从而实现高精度的3D点云分析。

Aug, 2024