该研究针对点云分类中的对抗攻击问题，提出了一个名为 PointCert 的通用框架，可将任何分类器变成可以抗击对抗点云攻击的验证型分类器，证明 PointCert 在多个应用场景中的鲁棒性性能明显优于现有的认证防御技术。

Mar, 2023

在这项研究中，我们研究了三维点云的关键点与样本外分布的相互作用，将关键点的概念扩展为重要性度量，通过仅基于较不重要的点进行训练，大大提高了网络的鲁棒性，同时对于协同学习是高度有价值的。

Aug, 2023

本文提出 PointGuard 防御方法，可以对 3D 点云进行分类并证明具有可靠的防御性能，实现方法是通过创建多个通过随机子集采样的点云来预测原始点云的标签，其中每个点云子集都通过所涉及的分类器进行预测标签，其方法具有预算效率并在多个基准数据集上进行了验证。

Mar, 2021

通过使用概率建模，本文提出了一种新的点云质量评估方法，使用条件变分自编码器对主观测试的评判随机性进行建模，并生成多个中间质量评分，最终将这些评分整合为准确的质量预测，实现对点云质量的准确评估。实验证明，该方法在不同数据集上表现出色，超越了先前领先的方法。

Jan, 2024

本文介绍一种基于深度学习的点云去噪方法，可以对噪声和离群点进行有效的处理，并且能应用于大规模点云数据的处理中，实验表明该方法可以有效提高 3D 重建的稳健性。

Jan, 2019

研究一种基于条件风险价值（CVaR）的风险规避统计学习框架，提出了基于随机梯度下降的算法。对于凸和 Lipschitz 的损失函数，该算法收敛到最优 CVaR，而对于非凸和平滑的损失函数，该算法在 CVaR 上的泛化界表现良好。通过在各种机器学习任务上进行数值实验，证明了该算法有效地将 CVaR 最小化。

Feb, 2020

本文提出了 PointCA，一种针对三维点云完形模型的对抗攻击方法，在考虑几何空间和特征空间的情况下定制扰动约束，令对抗点云的几何智能和分布自适应性得到提高。通过对不同点云完成网络的广泛实验，表明了 PointCA 攻击使得性能降低了约 60％，且结构 chamfer 距离低于 0.01。作者总结了现有的完形模型严重容易受到对抗样本的影响，并且点云分类的最新防御措施不适用于不完整和不均匀的点云数据。

Nov, 2022

本文介绍了一种名为 “保证异常值去除” 的预处理方法，该方法使用纯几何操作将输入点云的异常值数量显著减少，以便更快地执行进一步的优化，并保留全局最优解。

Nov, 2017

该文主要研究了基于 CVaR 和 chi-squared 分布的鲁棒优化问题，并提出了一种新的算法以及相应的优化方案。研究结果表明，该算法不仅适用于大规模应用，而且在实验中的效率比全样本方法高 9~36 倍。

Oct, 2020

我们提出了一种随机近端线性方法的变体，用于最小化条件风险价值（CVaR）目标，该方法在机器学习中的风险测量中具有广泛应用。我们将一般的收敛定理应用于该模型，并通过实验证明，它比随机次梯度方法更好地利用了目标的结构，并且适应了损失函数的缩放，这使得调整更容易。

May, 2023