介绍了一种基于神经网络的端到端可学习技术，用于鲁棒地辨识三维点云数据中的特征边缘并采用参数曲线表示，该技术为 PIE-NET，采用区域提议结构训练模型，并在大型 CAD 模型数据集 ABC 上对其进行训练和评价，结果显示其边缘检测性能优于传统和基于深度学习的算法。

Jul, 2020

该研究提出了一种称为 ParSeNet 的新型端到端可训练深度网络，该网络将 3D 点云分解为参数化表面补丁，包括 B 样条补丁以及基本几何图元。

Mar, 2020

本研究通过设计一个新的两流全卷积网络，提出了一个联合学习方法来同时处理 3D 语义分割和 3D 语义边缘检测问题，特别是设计了一个联合调优模块来明确地连接区域信息和边缘信息，通过提出的新型损失函数，实现了更好的语义分割结果的同时改善边缘信息，结果显示该方法在 S3DIS 和 ScanNet 数据集上获得了与最先进方法相当或更好的性能，优于语义边缘检测的基准方法。

Jul, 2020

通过提供数据集、基准方法和适当的评估指标，本文描述了 SHARP 2023 跟踪的数据集，并提出了一组基准方法，旨在推动 CAD 逆向工程的研究更接近真实世界的情景。

Aug, 2023

介绍了第一种基于深度学习的边缘感知技术，用于辅助点云的合并。通过处理本地 patches 中的点并训练其以学习和有针对性地巩固点，并且通过回归组件来恢复 3D 点坐标和点到边缘距离，并采用边缘感知的联合损失函数直接最小化输出点到 3D 网格和边缘之间的距离。

Jul, 2018

本文提出了一种新的参数化方法，使用 Scale-Space 矩阵存储每个点周围不同尺度的重建形状的微分信息，从而提供了足够的信息，使得一个充分的神经网络能够学习边缘，并在获取的点云中高效地检测它们。之后，我们提出了一种新的轻量级神经网络结构，其在学习时间、处理时间和分类能力方面均优于 CNN，具有紧凑结构、需要较少的学习集、训练速度非常快且可以在几秒钟内对数百万个点进行分类。

Nov, 2020

Real-world objects and environments predominantly consist of edge features. In this paper, the authors propose EMAP, a method for learning 3D edge representations using both lines and curves, utilizing Unsigned Distance Functions (UDF) from multi-view edge maps. The method achieves better 3D edge reconstruction and enhances neural surface reconstruction by capturing more details.

May, 2024

提出了 Deep Estimators of Features（DEFs）框架，用于通过标量场回归来准确地预测采样的 3D 形状的尖锐几何特征，并使用该方法来从点云数据中恢复尖锐特征线的显式表示。

Nov, 2020

本文介绍了 SharpNet，一种用于预测准确的深度图像的方法，该方法对于重构遮挡轮廓尤其关注，通过使用带有相机的合成图像进行训练，其在挡住轮廓方面的准确度实际上优于使用结构光的深度相机获取的真实数据。

May, 2019

本文介绍了一种称为元语义学习 (Meta-SeL) 的方法，该方法利用两个输入的 3D 局部点（输入 3D 模型和部分分割标签），提供了一种时间和成本高效、精确的投影模型，用于许多 3D 识别任务。根据结果表明，Meta-SeL 在与其他复杂的最新研究的比较中，表现出了竞争性能。此外，Meta-SeL 对随机洗牌不变性具有弹性，也对平移和抖动噪声有较高的鲁棒性。

May, 2022