本文提出了一种新颖的面向实例的方法，用于 3D 语义分割，通过结合几个在实例级别监督的几何处理任务来促进学习到的特征表示的一致性，具体方法使用形状生成器和形状分类器来执行每个形状实例的形状重建和分类任务，从而使特征表示能够忠实地编码结构和局部形状信息，并意识到形状实例。在实验中，我们的方法在多个公共基准数据集（如 Waymo Open Dataset、SemanticKITTI 和 ScanNetV2）上明显优于现有的 3D 语义分割方法。

Nov, 2023

使用随机特征方法学习三维点云数据的旋转不变函数，达到与通用旋转不变神经网络相匹配或超过分子性质预测和形状分类任务性能的方法，同时比竞争的核方法具有数量级更小的预测延迟。

Jul, 2023

本文提出了一种基于 Point Cross-Attention Transformer 的新型端到端网络结构，将多尺度特征通过两个不同的跨注意力变换器分支进行组合，并引入一种有效的形状分类模型，通过计算不同分支的单类标记与注意图来减少计算负担，实验表明该方法在形状分类，部分分割和语义分割任务中表现优异。

Apr, 2023

使用集合转换器在分层框架中对点云进行形状分类和分割，实现了状态 - of-the-art 的性能，并可用于处理大规模稀疏数据。

Jul, 2022

提出了一种名为 PointWOLF 的点云数据增强方法，通过局部加权变换中心的多个锚点生成平滑变化的非刚性变形，以实现多样化和逼真的数据增强，并结合 AugTune 进行优化，实现了其在形状分类和部位分割任务中表现的提升，特别是使用 PointNet++ 和 ScanObjectNN 数据集时，达到了 89.7 的准确度，达到了最先进的水平。

Oct, 2021

本文提出了一种新颖的框架，名为点云 Transformer（PCT），它是基于 Transformer 的，并在点云学习方面具有很好的性能。为了更好地捕获点云中的局部信息，我们利用最远点采样和最近邻搜索增强输入嵌入。实验结果表明，PCT 在形状分类、部分分割和法向估计任务中取得了最优性能。

Dec, 2020

本文提出了一种基于 3D 自监督学习的点云学习方法，通过旋转点云实现无标签的自我监督，在形状分类和 3D 关键点预测等任务上表现出色，学习到的特征优于其他自监督方法。

Aug, 2020

本文提出了一种新方法 MeshWalker，利用随机游走算法，在三角网格结构的 3D 形状中探索和学习几何和拓扑特征。该方法在形状分类和语义分割方面表现良好，并且仅需要很少量的样本即可进行学习。

Jun, 2020

本文研究了在 3D 点云中使用 Approximate Convex Decompositions（ACD）进行自我监督训练的方法，以实现标签高效的学习点云表示。结果表明，ACD 提供了一种极佳的自我监督信号，可以有效地学习 3D 点云表示，并在下游任务中获得卓越的性能，例如 ModelNet40 形状分类数据集的无监督表示学习，并在 ShapeNetPart 数据集上获得显著的少样本部件分割增益。

Mar, 2020

这篇论文提出了 PointAugment 自动增强框架，使用对抗性学习策略自动优化和增强点云样本以增加数据多样性，在形状分类方面取得良好表现。

Feb, 2020