这篇研究论文介绍了一种使用端到端的深度强化学习解决方案来优化移动 3D 传感器的轨迹，以便在整体场景中找到特定的物体并被点云覆盖，实现尽快的目标搜索和覆盖。

Dec, 2023

追踪物体的六维姿态，在物体本身或观察相机移动时，对许多机器人学和增强现实应用非常重要。在跟踪任务的严格时间限制下，我们提出了将物体追踪简化为加强点云（仅深度）对齐任务的方法。

Jul, 2023

通过对 RGB-D 和基于点云的视觉控制策略进行实验，我们发现明确编码点云的策略在可视条件变化下显著更加稳健，同时我们提出的点云世界模型（PCWM）在训练过程中大幅提升样本效率，这些结果表明通过点云对三维场景进行推理可以改善性能、缩短学习时间并提高机器学习算法的稳健性。

Apr, 2024

本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果，并提出了可启发未来研究的深刻见解和方向。

Dec, 2019

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

本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

Jun, 2017

本文介绍了基于自监督式多任务模型的方法，用于解决数据稀缺性和跨域数据集问题，提高 3D 形状分类与部分分割的效果。

Apr, 2020

通过在 17 个不同的接触丰富的操作任务上进行广泛实验证明，针对机器人学习中的不同观察空间，特别是 RGB、RGB-D 和点云，点云方法在性能上通常超过 RGB 和 RGB-D，不论是从头开始训练还是利用预训练。此外，研究结果表明，点云观察对于各种几何和视觉线索（包括摄像机视角、光照条件、噪声水平和背景外观）的零样本泛化具有改进作用，暗示了 3D 点云作为一种有价值的观察模态在复杂的机器人任务中的应用。

Feb, 2024

通过名称为 SUGAR 的新型 3D 预训练框架，可以捕捉物体的语义、几何和功能属性，解决了处理复杂 3D 场景中的遮挡和准确定位对象的亚优缺陷；SUGAR 利用可变转换模型同时处理五个预训练任务，包括语义学习的跨模态知识蒸馏、理解几何结构的遮蔽点建模、对象功能的抓握姿势合成、3D 实例分割和杂乱场景中的指代表达接地；实验结果表明，SUGAR 的 3D 表示优于最先进的 2D 和 3D 表示。

Apr, 2024

基于局部结构和全局形状的双向推理，提出了一种无需人工标注学习点云表示的方法，并展示出其在下游分类任务中取得的优秀表现。

Mar, 2020