本文提出了一种新的方法：基于局部表面几何结构的连贯点漂移（LSG-CPD），该方法通过自适应地根据本地表面的平整程度在点对点惩罚的基础上添加不同级别的点对平面惩罚，构建具有各向异性协方差的高斯混合模型，并以最大似然估计问题的形式予以解决。该方法在各种数据集上的精度和鲁棒性方面优于现有算法，并且比 CPD 的现代实现更快。

Mar, 2021

提出了凹凸感知距离（CID）作为一种度量无定向点云中一对点之间差异的新方法，CID 可用于点云分析、点云实例分割和分组，是一种在机器人应用中处理原始点云观测结果的有用工具.

Jun, 2023

通过群组对比学习方案，提出了一种提取密度不变几何特征的方法，用于远距离室外 LiDAR 点云的注册，实验证明此特征提取器相比现有方法更强大且密度不变，使得远距离场景的注册召回率分别提高了 40.9% 和 26.9%。

Jul, 2023

通过动态地关注具有一组可学习网络控制的不同权重分布的匹配距离，我们提出了一种简单但有效的重构损失，即可学习的 Chamfer 距离（LCD）。通过训练对抗策略，LCD 学习搜索重构结果中的缺陷，并克服了静态匹配规则的缺点，同时还可以保证低迭代次数时的性能，并且具有更快的收敛速度和可比较的训练效率。

Dec, 2023

本文提出了一种基于代理分类任务训练得到的新指标，用于量化 LiDAR 点云数据的逼真度，并利用该指标来确定生成的 LiDAR 数据的逼真度，并将该指标的逼真度估计与分割模型的性能表现进行了比较。

Aug, 2022

本文提出了一种基于方向距离场的 3D 几何数据的高效、有效、鲁棒和可微的距离度量方法 DirDist，通过在同一域上定义其方向距离场的两个 3D 几何模型的差异来建立模型对应关系，并在多个几何建模任务上展示了 DirDist 的优势，包括模板曲面拟合、刚体配准、非刚体配准、场景流估计和人体姿势优化。大量实验证明，在所有任务下，DirDist 的准确性显著提高，作为一种通用的距离度量方法，DirDist 有潜力推动 3D 几何建模领域的发展。

Jan, 2024

提出一种新的点云相似度评价方法 ——Density-aware Chamfer Distance (DCD)，结合 point cloud completion 任务和 point discriminator 模块的实验结果表明，DCD 关注整体结构和局部几何细节并提供更可靠的评价。

Nov, 2021

该论文提出了一种准确且强大的方法来从点云中估计法线。通过提出 Chamfer 法线距离这一新的度量标准，我们解决了之前直接最小化注释和预测法线之间偏差所导致的方向不一致问题，并提高了网络训练和鲁棒性。此外，我们设计了一种创新的架构，包括多尺度局部特征聚合和分级几何信息融合。这种设计使网络能够更有效地捕捉复杂的几何细节，并减轻尺度选择中的歧义。广泛的实验证明，我们的方法在合成和真实数据集上均取得了最先进的性能，尤其是在受噪声污染的场景中。我们的实现可在此 https URL 上获得。

Dec, 2023

本文针对 3D 点云，研究了不同距离度量方法的效果，提出使用切片 Wasserstein 距离和其变体来学习 3D 点云的特征表示，并介绍了一种估算切片 Wasserstein 距离的新算法，实验证明该方法能提高神经网络的学习效率，并在 3D 计算机视觉中展示了其在多个任务中的有效性。

Feb, 2021

本研究提出了一种基于局部几何代码学习的模型，通过使用图神经网络将单个可传递的潜层代码拆分成分布在 3D 形状上的一组局部潜层代码，从而改进了原始 DeepSDF 结果，并且在 3D 形状重建方面的实验中，该方法能够保留更多的细节，同时在最重要的定量指标下明显优于原始 DeepSDF 方法。

Aug, 2021