本文提出了一种新型的点云卷积运算符，实现了旋转不变性，通过使用旋转不变的几何特征设计点云学习的卷积运算符，解决了点排序问题，并将其作为神经网络的基本构建块，能在6自由度变换下具有稳健性，在物体分类和分割等任务中表现出高精度。

Aug, 2019

本文介绍了一种新的方法来实现点云数据的旋转不变性，使用局部几何特征和全局拓扑特征相结合的局部-全局表示网络。该网络使用多层感知器做注意力机制来融合两种旋转不变性特征，并在模型识别任务上取得了最先进的效果。

Nov, 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

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

该论文提出了一种新的端到端方法来直接预测配准操作中的对应点，利用transformer网络结构中的自注意力和交叉注意力机制来替代传统的特征匹配和RANSAC算法，该方法在3DMatch和ModelNet基准上均取得了最先进的成绩。

Mar, 2022

该论文从点云配准角度出发，提出一种三阶段框架实现旋转不变性学习，其中包括旋转不变性形状编码、对齐特征整合和深度特征配准等，用于旋转不变性的3D形状分类、部分分割和检索任务中。

Dec, 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

我们提出了一种新颖的位置感知旋变网络，用于高效、轻量级和鲁棒的注册。网络能够提供强大的模型归纳偏差，从而学习旋变/不变特征，同时解决了已提到的限制。此外，我们还提出了一种位置感知卷积，可以更好地学习局部结构的空间信息。代码可在此链接找到。

Jul, 2024

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