本研究旨在提出一种高效的下采样方法，该方法利用基于体素的采样技术，并通过自适应调整体素大小和保留关键的几何线索来提高采样的准确性和效率。通过在 ShapeNetPart 和 ScanNet 基准测试上进行实验，我们的方法在准确性和效率方面均表现出了优异的性能。
Feb, 2024
最近，基于点云的任意尺度上采样机制因其在实际应用中的效率和便利性而越来越受欢迎。为了解决从稀疏点云学习表面表示所面临的挑战，我们提出了一种使用基于体素网络的任意尺度点云上采样框架（PU-VoxelNet）。通过利用体素表达的完整性和规律性，体素网络能够提供预定义的网格空间来近似三维表面，并根据每个网格单元内的预测密度分布重建任意数量的点。进一步，为了改善细节，我们提供了一种辅助训练监督方法，以强制实现局部表面块之间的潜在几何一致性。广泛的实验证明，所提出的方法在固定上采样率和任意尺度上采样方面都优于现有技术。
Mar, 2024
本文介绍了一种新的差分松弛算法用于点云采样，请参考本文中的公式和实验结果，该方法在点云分类与几何重建等任务上表现优异。
Dec, 2019
本文介绍了如何用深度学习方法对三维点云进行优化来达到更好的分类、检索等目标效果，与现在流行的最远点采样方法（FPS）相比，优劣显著。
Dec, 2018
本文提出了一种基于学习的框架，通过自适应地分析输入点云的局部几何结构，设计出轻量级神经网络来统一、排序插值权重以及高阶细化，从而生成具有密集点云的物体 / 场景，并处理非均匀分布和噪声数据，该方法于现实世界中的各种上采样因子都可运作，并在合成和实际数据上均获得了优于现有方法的表现。
Nov, 2020
该研究提出了一个异构点云压缩框架，统一了点基、体素基和树基三种典型点云表示及其相关骨干结构，以在不同位深水平对输入点云进行压缩。实验证明了该提议在各种点云上的最新性能。
本文提出了一种基于深度神经网络的数据驱动算法，使用 Chamfer 距离作为损失函数对 3D 散点云进行上采样，该算法不需要硬编码规则，并能够学习属于不同对象类别的点云的潜在特征，实验结果表明，相比基于优化的上采样方法，该算法能够生成更加均匀和精确的上采样结果。
Jul, 2018
本研究旨在提出一种减少计算量、以大规模点云直接推断每个点的语意的神经架构，该方法采用随机采样而非较复杂的点选择方法，然后配备一种新的局部特征汇聚模块以生成具有准确语意的结果，演示数据表明我们的方法具有比现有方法高 200 倍的速度和最先进的分类精度。
Jul, 2021
本文中，我们通过我们的 HashPoint 方法，结合光栅化和光线追踪策略，优化了点搜索和采样，并通过自适应采样提高了渲染速度，保持了等效或更高的准确性。
Apr, 2024
本文提出了一种基于多尺度自动编码器的点云压缩方法，利用稀疏性质进行分层重建，通过无损压缩几何空间和有损压缩特征属性，实现了比现有方法更高效的压缩率和编码速度。