本文提出了一种基于3D自监督学习的点云学习方法，通过旋转点云实现无标签的自我监督，在形状分类和3D关键点预测等任务上表现出色，学习到的特征优于其他自监督方法。

Aug, 2020

该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

Sep, 2020

本研究提出了自对比学习方法用于自我监督点云表示学习，以捕捉点云的局部几何模式和非局部语义基元。实验结果表明，该方法在自我监督点云分割和分类转移学习等领域的基准数据集上取得了最先进的性能。

Jul, 2021

本文综述了使用深度神经网络实现无监督点云表示学习的方法。通过对技术方法的描述、评估以及相关数据集和体系结构的介绍，总结讨论了无监督点云表示学习方法的现有研究，并对多个广泛采用的点云数据集进行了定量基准测试及分析。最后，提出了未来研究中可能面临的挑战和问题。

Feb, 2022

通过多视图渲染三维数据，运用局部和全局两个层次的自监督方式进行神经网络的预训练来取得了优于PointNet，DGCNN和SR-UNet等现有方法的效果，并分析了合成和真实数据的优缺点。

Oct, 2022

本文介绍了近期基于DNN的点云SSL的综述，包括定义、动机、背景、基于几种常见Task-agnostic预训练的创新分类方法，以及对于基准数据集的实验结果总结，最终给出了针对当前点云SSL限制的改进和未来研究方向。

May, 2023

本文综述了现有的三维点云分析技术及其算法、应用场景和目标，介绍了使用的数据集和评估指标，并比较了现有解决方案的性能，最后分析了当前技术面临的挑战和吸引人们注意的未来趋势。

Jun, 2023

基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种3D网络架构上表现出明显的改进，并在知名点云分割数据集和3D检测中显示出实用性。

Jul, 2023

该论文介绍了点云的获取、特点和挑战，回顾了点云分类的3D数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

Nov, 2023

PointMoment是一种用于点云自监督表示学习的新框架，它利用高阶混合矩损失函数而不是传统的对比损失函数，计算特征变量的高阶混合矩并强制其分解为各自矩的乘积，从而使多个变量更加独立并最小化特征的冗余。该方法还结合了对比学习方法，用于最大化相同点云的不同数据增强下的特征不变性。实验结果表明，PointMoment在3D点云分类和分割等下游任务上优于先前的无监督学习方法。

Dec, 2023