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

本文提出了可操作非网格结构数据的一种新的可学习算子 —— 参数化连续卷积，并在室内外场景的点云分割和驾驶场景的激光雷达运动估计中实验证明，相较于现有技术有显著提升。

Jan, 2021

本文提出一种新的卷积神经网络架构，通过将卷积核建模为连续函数，解决了传统神经网络处理序列数据时的梯度爆炸、记忆短视、非定长序列等问题，并在多个数据集上获得了最先进的结果。

Feb, 2021

Kernel Point Convolution（KPConv）是一种新的针对点云进行卷积的设计，其卷积权重位于欧几里得空间中的核点，能够适应任意数量的核点，由于其具有连续性，可以学习适应局部几何特征的形变卷积，并可用于许多复杂和简单任务的分类和分割，优于现有分类和分割方法。

Apr, 2019

我们提出了一种基于概率数值方法的卷积神经网络，使用高斯过程表示特征，并采用偏微分方程定义卷积层，实现了旋转等变卷积，实验结果显示我们的方法可将误差降低 3 倍，并在医学时间序列数据集 PhysioNet2012 上展现了出色的性能。

Oct, 2020

本文提出了一种新的 Interpolated Convolution 操作，即 InterpConv，以解决点云特征学习和理解问题，进一步设计了基于 InterpConv 层的 Interpolated Convolutional Neural Networks（InterpCNNs）来处理点云识别任务，实验表明这种方法可以有效地捕捉细粒度的局部结构和全局形状的上下文信息，并在公共基准测试中取得了最先进的性能。

Aug, 2019

本文介绍了一种新的卷积操作 PointConv，此操作可用于处理 3D 点云并建立深度卷积神经网络，该网络具有创建非线性函数权重和密度函数的功能，实验表明，PointConv 可用于挑战性的语义分割基准测试，并在 2D 图像的结构相似情况下提供类似于卷积网络的性能。

Nov, 2018

本文提出了一种有效的深度学习方法，可用于非均匀采样的点云，通过将卷积核本身表示为多层感知机，将卷积视为蒙特卡罗积分问题，使用匹配多级采样的信息，并使用泊松盘采样进行点云学习。 最终，作者通过在分级网络架构中应用该方法，赢得了大多数基于点云的任务的最佳成绩，并且本方法具有强大的鲁棒性。

Jun, 2018

本文介绍了一种新型灵活卷积方法，及其 GPU 实现，以适应不规则的 3D 点云数据，并在百万级数据集上获得了显著提升。该方法具有较小的参数和存储需求，是首个能同时处理 700 万个点的有效方法。

Mar, 2018

本文介绍了一种使用经过训练的积分场实现大规模卷积的方法，用以弥补神经场作为连续信号表示方法而不易进行信号处理的问题。作者在各种数据模态和空间变化的核上演示了该方法。

Apr, 2023