提出一种对点云数据具有旋转不变性的点投影特征方法，可以提取严格的点云识别和分割的旋转不变表示，无需数据增强，并且优于其他最先进的方法。

Nov, 2019

本文介绍了一种利用骨架表征进行点云配准的新方法 SPEAL，通过提取点云的骨架特征和拓扑结构，获得点云的几何复杂性，进而提高点云配准的性能。作者还构建了一个名为 KITTI CrossSource 的大规模跨源点云数据集，用于评估该方法在跨源和同源数据集上的优越性和鲁棒性。据我们所知，这是第一个利用骨架几何先验进行点云配准的方法。

Dec, 2023

本文介绍了一个新的神经架构，称为 SpinNet，旨在提取旋转不变但足够信息丰富以达到精确配准的局部特征。通过空间点变换器和神经特征提取器，可以将输入局部表面映射到经过仔细设计的圆柱空间，并利用点卷积神经层和 3D 圆柱卷积神经层来提取紧凑且代表性的描述符进行匹配。在室内和室外数据集上进行的广泛实验表明，SpinNet 的性能优于现有的最先进技术，并在不同传感器模态下具有最佳的泛化能力。

Nov, 2020

本文通过将旋转分解为视角旋转和平面内旋转的组合，提出了一种名为 VI-Net 的新型旋转估计网络，用于解决 6D 物体姿态估计中高精度的 RGB-D 物体观测的旋转估计难题。通过基于球面的特征学习，在两个不同分支上进行估计，并通过神经网络实现视角旋转和平面内旋转的估计。通过实验证明了该方法在高精度情况下较现有方法的优越性，尤其在无 CAD 模型情况下的类别级 6D 物体姿态估计任务中。

Aug, 2023

本文提出了基于自我定位的点云 Transformer（SPoTr），通过局部自我关注和基于点的全局交叉关注，使用自我定位点考虑空间和语义信息，从而捕捉局部和全局形状上下文，提高表现力，并通过小型自我定位点集计算注意力权重，从而提高了全局注意力的可扩展性。实验表明 SPoTr 在精确度和可解释性等方面的表现都很好。

Mar, 2023

介绍了一种基于自注意力和定向编码网络的点云数据识别方法，通过采用 Hard Positive Hard Negative 四元组损失函数和采样方法，取得优于现有方法的性能表现。

Nov, 2020

本文提出了一种旋转不变的深度点云网络，通过结合点的位置信息和关系特征的嵌入块，实现了对点云的分类和语义分割，能够在处理点云输入时保持状态 - of-the-art 分类性能。

Nov, 2020

本文提出了一个全新的点集学习框架 PRIN，即点式旋转不变网络，通过密度感知自适应抽样构建球形信号来解决点云在球形空间上的扭曲分布，运用球形体素卷积和点重采样来提取每个点的旋转不变特征，同时将 PRIN 扩展到一种稀疏版本 SPRIN，直接操作于稀疏点云。两种方法都适用于从对象分类、部分分割到三维特征匹配和标签对齐等任务，结果表明，对于随机旋转点云的数据集，SPRIN 实现了比最先进的方法更好的性能，且无需使用任何数据增强。我们还为方法实现的点式旋转不变性提供了深入的理论证明和分析。

Feb, 2021

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

使用 LIADAR 进行三维物体检测时，由于点云密度不均衡，距离传感器更远的物体采集的点较少，导致检测精度下降。为解决这一挑战，作者提出了名为 SIENet 的二阶段三维物体检测框架，其中设计了空间信息增强模块和多分支的混合范式区域提案网络 (HP-RPN) 等，其在 KITTI 三维物体检测基准测试数据集上取得了远超其他方法的显著性能表现。

Mar, 2021