本文介绍了一个由三个英国城市中7.6平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个3D点都被标记为13个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

Sep, 2020

本文提出了一种名为ConClu的通用无监督方法，它通过联合使用点级聚类和实例级对比来实现点和全局特征的学习。实验评估结果表明，该框架在3D物体分类和语义分割等下游应用方面具有很好的性能，可以胜过现有技术。

Feb, 2022

本研究综述了使用深度神经网络实现无监督点云表示学习的方法，解决在人工标注数据量有限的问题。研究挖掘了常用数据集和评估指标，提出了基于这些技术的自监督点云表示学习方法的广泛应用，并指出未来可能面临的挑战和潜在问题。

May, 2023

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

该研究提出了一种新的三维点云表示网络，称为动态聚类变换网络（DCTNet），它利用编码器-解码器架构来学习全局和局部特征，并提出了新的语义特征动态采样和聚类方法以及一个高效的语义特征引导上采样方法，验证了其在点云分割任务上的性能优于现有的最先进模型。

May, 2023

我们在这篇论文中探讨了高分辨率架构用于三维点云分割，提出了一种名为PointHR的统一流水线模型，并通过在S3DIS和ScanNetV2数据集上的实验证明其优越性。

Oct, 2023

该论文介绍了点云的获取、特点和挑战，回顾了点云分类的3D数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。

Nov, 2023

PointeNet是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类/分割头或嵌入到现成的3D物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

Dec, 2023

PointGL是一种高效的点云分析架构，通过全局点嵌入和局部图池化两个递归步骤实现特征获取，并在ScanObjectNN数据集上取得了最新PointMLP模型的五倍速度和较少的计算资源使用的最先进准确性。

Jan, 2024

X-3D是一种显式的三维结构建模方法，通过捕捉输入的三维空间中的显式局部结构信息，并结合当前局部区域中所有邻域点的共享权重产生动态核心，有效地改善了嵌入空间的局部结构与原始输入点云之间的差异，提高了局部特征的提取能力。

Apr, 2024