采用密集的几何形状表示，通过使用完全卷积的架构，我们提出了一种联合学习标记点和语义分割的方法，并证明其在困难的标记点检测任务中优于热图回归的先进方法，无需对标记点进行显式训练，在不需要重新训练的情况下可以添加新的标记点。

May, 2024

本文提出了一种新的监督学习框架，用于将 3D 点云超分割成超点，并且利用局部几何和辐射度的深度嵌入来计算超点，从而使对象的边界呈现高对比度。该方法可以显著地提高点云超分割结果，并且可以用于改善基于超点的语义分割算法。

Apr, 2019

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

针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

Aug, 2019

本文提出了一种新的物体表示方法 ——Dense RepPoints，它利用大量点对物体进行多层次描述，包括边框层次和像素层次。同时介绍了一些有效的处理此类密集点的技术，其中利用距离变换采样方法结合集合到集合的监督学习来学习物体部分，距离变换采样方法结合了边缘和网格表示法的优点，表现优于使用边缘或网格的算法。

Dec, 2019

本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

Mar, 2020

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

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

本文研究了点云数据如何被有效和高效地投影到 2D 图像空间中，以便于利用传统的 2D 卷积神经网络进行分割，通过引入具有拓扑结构保持特性的图形处理方法，并使用分层逼近算法，结合 Delaunay 三角剖分技术和多尺度 U-Net 网络进行图像分割，取得了 ShapeNet 和 PartNet 的最新成果。

Mar, 2020

介绍了一种联合训练 3D 目标检测和单目稠密深度重建神经网络的方法，通过 LiDAR 点云和单个 RGB 图像生成物体姿态预测和密集重建深度，其中 LiDAR 点云被转换为一组体素并使用 3D 卷积层提取特征，通过另一个 2D 卷积神经网络提取相应的 RGB 图像特征，并使用这些组合特征来预测密集深度图。

Apr, 2021