本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

Jul, 2023

MS$^{2}$3D 是一个两阶段的三维检测框架，利用小尺寸的体素提取细粒度的局部特征和大尺寸的体素捕捉长程局部特征，通过多尺度语义特征点构建三维特征层并计算特征点与目标质心的偏移，以提高特征聚合的效率，在 KITTI 数据集和 ONCE 数据集上验证了该方法的有效性。

Aug, 2023

本文提出了一种处理多视图卫星图像生成 3D 数字表面模型的自动化流程，其中包括自动地地理参考和基于匹配生成高质量密集点云。通过学习样本 LiDAR 数据的关键配置，我们根据结果的接近程度对图像对进行排名，并使用自适应 3D 中值滤波器融合多个深度图。我们证明了提出的自适应中值滤波器通常比普通中值滤波器产生更好的结果，在最佳情况下达到了 0.36 米 RMSE 的精度提高。结果和分析被详细介绍。

May, 2019

本文提出了一种新的方法，通过两个阶段，利用参数化表面元素和采样算法预测粗粒度点云并与输入点云合并来完成部分点云。实验结果表明，该方法在 Earth Mover's Distance（EMD）和 Chamfer Distance（CD）等方面表现优异，优于现有方法。

Nov, 2019

通过结合多视角全景图像、鲁棒的相机位姿估计、先进的图像处理以及点云密度化、网格重建和纹理生成等技术，本论文提出了一个增强型的多视角立体重建框架，显著提高了传统方法的准确性和精度，在处理遮挡和视角变化的复杂场景重建方面表现出了优异的计算效率和鲁棒性，对于实时处理和可扩展性要求高的情况，可以与当前最先进的神经隐式场方法相竞争甚至超越。

Jun, 2024

Point-MVSNet 是用 point clouds 直接处理目标场景的深度学习网络，通过将 3D 几何先验和 2D 纹理信息融入特征增强的 point cloud 中，实现了在 multi-view stereo 中更高的精度、更高的计算效率和更大的灵活性。

Aug, 2019

从嘈杂和稀疏的部分点云中重建 3D 汽车对于自动驾驶非常重要。我们提出了一种名为 MV-DeepSDF 的新框架，通过估计多次扫描点云中的最优符号距离函数（SDF）形状表示来重建野外汽车。通过在潜在特征空间中分析多次扫描的一致性和互补性，并将隐式空间形状估计问题转化为元素到集合特征提取问题，我们首次探讨了多次扫描的重建。通过设计一种新的架构来提取单个元素级表示并将它们聚合生成集合级的预测潜在代码，得到隐式空间中最优 3D 形状的表达，并可以随后解码为连续的 SDF 汽车。通过对两个实际自动驾驶数据集（Waymo 和 KITTI）进行彻底实验，我们展示了我们的方法在质量和量化方面优于现有的替代方法。

Aug, 2023

本文首次尝试从稀疏的 LiDAR 点云中估计 3D 人体网格，提出了一种有效的稀疏到稠密重建方案，并通过引入图形变换器来更好地利用点云的 3D 结构信息，实验证明了该方法的有效性。

Nov, 2023

DSP-SLAM 是一种面向对象的 SLAM 系统，通过语义实例分割检测物体并使用特定于类别的深度形状嵌入来估计其姿态和形状，从而实现丰富和准确的 3D 物体建图，能够在单目、双目或双目 + LiDAR 输入模式下以接近帧率的速度处理图像序列，并在 KITTI 轨迹数据集上显示其在姿态和形状重构方面的显著改善。

Aug, 2021

使用深度神经网络作为辅助工具，DeepMapping 提出了一种新的注册框架，可将多个点云从头开始对齐到全局一致框架中，并将注册问题转换为二进制空间分类。实验证明，相对于现有技术，DeepMapping 通常能够实现更 robust，更准确的全局点云注册。

Nov, 2018