本研究提出了一种基于将图像转换为一组点云的独特图像生成过程，利用名为上下文聚类（Context Clustering）的简单聚类方法和多层感知器（MLP）作为生成模型，无需使用卷积或注意机制，并通过集成称为 Point Increaser 的模块来生成额外的聚类点，最终实现了在特征聚合和分发领域中独特的 Context Clustering Generative Adversarial Network（CoC-GAN）模型的视角。实证评估表明，我们的 CoC-GAN 模型在没有卷积和注意机制的情况下展现出了优秀的性能和可解释性，取得了令人满意的结果，从而为将上下文聚类应用于更多新颖和可解释的图像生成方法的未来研究奠定了基础。

Aug, 2023

我们通过重新审视聚类，一种机器学习和数据分析中最经典的方法之一，来研究机器视觉的一个基本方面：特征的测量。我们提出了特征提取与聚类（FEC）的概念性优雅但惊人的特征提取方法，它将特征提取视为从数据中选择代表并自动捕捉底层数据分布的过程。通过对各种视觉识别模型和任务进行广泛实验，我们验证了 FEC 的有效性、普适性和可解释性。我们希望这项工作将引发对当前事实上的网格式范式的重新思考。

Mar, 2024

该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络，用于预测第二个路径相对于第一个路径的位置，从而实现对目标的识别，并证明该方法在性能上优于其他算法。

May, 2015

提出了名为 AGCN 的新型网络结构，结合了图卷积网络和注意力机制，可以有效地从无序和非结构化的点云数据中提取特征，经实验证明在分类和分割任务中均达到了当前最先进的性能。

May, 2019

本文介绍了一种用于视觉识别的上下文卷积技术，理论基础来自神经科学研究；在图像分类和对象检测任务以及生成式对抗网络的生成结果方面，该技术都取得了较好的性能。

Aug, 2021

这篇论文提出了 PointCNN，这是一个简单且通用的框架，用于从点云中进行特征学习和卷积运算，以克服点云中的不规则性和无序性，实现对点云进行特征提取、形状信息保留和点排序。实验表明，它在多个挑战性的基准数据集和任务上实现了与最先进的方法相媲美或更好的性能。

Jan, 2018

该论文提出了一种新颖的 Transformer 风格模块，即 Contextual Transformer (CoT) 块，它完全利用输入键之间的情境信息来指导动态注意力矩阵的学习，从而增强了视觉表示能力，可作为更强大的骨干网。

Jul, 2021

本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。

Apr, 2019

本文提出了一种形状取向的消息传递方案 ShapeConv，结合了形状特征学习和上下文信息对基于点云的分析的贡献，并将其堆叠到分层学习体系结构 SOCNN 中以分析点云的分类和分割任务。

Apr, 2020

本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

Sep, 2019