探索 3D 点云理解的上下文学习
通过引入 Point-In-Context（PIC）框架，利用 in-context learning 解决 3D 点云的任务，同时提出了增强版 PIC-S，通过动态上下文标签和额外的上下文对提高模型性能和泛化能力。
Apr, 2024
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
本文提出了一种新型的 Text4Point 框架，通过利用 2D 图像作为连接点云和语言模态的桥梁，建立图像和点云的对应关系，从而通过对比学习将其对齐；并进一步引入文本查询模块，查询点云特征的文本嵌入，将语言信息整合到 3D 表示学习中，提高各种下游任务的性能。
Jan, 2023
本文提出了一种基于 k-d 树的方法，旨在同时利用点云的局部和全局背景信息，通过沿树结构逐步学习表征向量，从而生成区分度强的点集特征。实验证明，该方法在 3D 场景语义分割等任务上明显优于现有的方法。
Nov, 2017
提出了一种名为 DensePoint 的点云处理方法，通过推广卷积算子实现了针对不规则点配置的正则化网格卷积神经网络，并从密集连接模式中汲取灵感，在深层次结构中重复聚合多层次、多尺度语义信息，从而有机地获得具有密集上下文信息的多元语义，同时进行高效归纳学习，实验结果表明 DensePoint 方法优于现有方法，达到了业界最佳性能。
Sep, 2019
本文提出了一种基于密度感知卷积和上下文编码的多尺度全卷积神经网络方法，用于 3D 点云分类，同时在 ISPRS 3D 标注基准上实现了新的最优性能。
Oct, 2019
近期在点云领域中自监督学习方面的最新进展表现出显著的潜力。然而，这些方法常常面临一些问题，包括长时间的预训练时间、对输入空间的重构以及需要额外的模态。为了解决这些问题，我们介绍了一种专门针对点云数据设计的联合嵌入预测架构 ——Point-JEPA。为此，我们引入了一种排序器，它能够对点云标记进行排序，以在目标和上下文选择期间高效计算和利用标记的接近性。排序器还允许在上下文和目标选择之间共享标记的接近性计算，从而进一步提高效率。在实验证明，我们的方法在避免了对输入空间进行重构或使用额外模态的同时，取得了与最先进的方法相竞争的结果。
Apr, 2024
本论文提出了一种基于对比学习方法的学习强大点云表示的新策略，该方法可以嵌入任何点云分类网络中，通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化，并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题，并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本，实验证明该方法比现有技术表现更好，并在现有技术中实现了显著的性能提升。
Jan, 2022