我们提出了点级三维场景插值的问题，旨在同时从多个视角重建两个状态的三维场景，合成它们之间的平滑点级插值，并以新视角渲染场景，而无需任何状态之间的监督。

Jun, 2024

我们提出了一种基于最新的点云神经渲染技术 Proximity Attention Point Rendering（PAPR）的新方法 “Intrinsic PAPR”，该方法直接对场景分解为颜色和阴影组件进行建模，以实现更好的估计准确性，并在与最新的点云反渲染方法的比较评估中展现出更高质量的新视角渲染和更优越的点级颜色和阴影编辑。

Jun, 2024

本文提出一种名为 APR 的新型特征提取框架，该框架利用自编码器设计重建了一个带有几个帧的密集聚合点云，从而提取具有丰富局部几何信息的特征进行在线的远程点云配准。实验结果表明，APR 较 KITTI 和 nuScenes 数据集上的其他特征提取器表现更优秀。

May, 2023

本研究提出了一种基于点的方法，使用可学习的神经描述符来编码局部几何和外观信息，并学习深度渲染网络生成具有照片般逼真感觉的场景视图，同时避免显式表面估计和网格化，并适用于各种复杂场景，包括使用 RGB-D 传感器与标准 RGB 相机进行扫描的场景。

Jun, 2019

该论文提出了一种基于点云的旋转感知大规模场景识别网络 (RPR-Net)，通过三种新的旋转不变特征（RIFs）设计一个注意模块来学习旋转不变核，并将其应用于之前的点云特征中生成新的特征，从而可以学习到高级的场景特定的旋转不变特征，实验结果表明，该方法在解决旋转问题时要明显优于其他旋转不变基线模型。

Aug, 2021

提出了一种名为 CaSPR 的方法，用于学习动态移动或演变对象的面向对象的规范时空点云表示，旨在使信息聚合在时间上，并在过去的任何时空邻域中查询对象状态，该方法通过将时间显式编码，将输入点云序列映射到时空标准化的对象空间来划分问题为两个子任务，其表示具有空间时间连续性，对变量和不规则时空采样点云具有鲁棒性，并且适用于未见过的对象实例。

Aug, 2020

本文提出了一个全新的点集学习框架 PRIN，即点式旋转不变网络，通过密度感知自适应抽样构建球形信号来解决点云在球形空间上的扭曲分布，运用球形体素卷积和点重采样来提取每个点的旋转不变特征，同时将 PRIN 扩展到一种稀疏版本 SPRIN，直接操作于稀疏点云。两种方法都适用于从对象分类、部分分割到三维特征匹配和标签对齐等任务，结果表明，对于随机旋转点云的数据集，SPRIN 实现了比最先进的方法更好的性能，且无需使用任何数据增强。我们还为方法实现的点式旋转不变性提供了深入的理论证明和分析。

Feb, 2021

通过 Point Contextual Attention Network (PCAN) 能够在对点上下文加权的情况下，对局部特征进行更加关注，从而有效地编码局部特征并在多个基准测试数据集上提供性能优于当前最先进方法的检索性能。

Apr, 2019

本文提出了一种点云学习框架 PRIN，其中通过密度感知自适应采样构造球形信号来处理球形空间中的扭曲点分布并利用球形体素卷积和点重新采样来提取每个点的旋转不变特征。该框架在物体分类、部分分割和 3D 特征匹配方面具有可应用性，并且在没有任何数据增强的情况下，在随机旋转的点云数据集上展现出比现有方法更好的性能。同时，本文提供了对通过该方法实现的旋转不变性的理论分析。

Nov, 2018

提出了可微分的基于点的反渲染方法，该方法通过对在不同光照下捕获的图像进行分析合成，估计形状和空间变化的 BRDF。利用混合的基于点和基于体素的几何表示进行快速渲染，并通过正则化基函数的 BRDF 表示来缓解反渲染的无意义性。通过点阴影图渲染提出了一种高效的阴影检测方法。在计算准确性、计算效率和内存占用等方面，DPIR 优于之前的工作。同时，显式的基于点的表示和渲染使得几何和反射的编辑变得直观。

Dec, 2023