本文介绍了一个新的3D点云分类基准数据集，其中包含超过40亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望Semantic3D.net能够为3D点云标注中的深度学习方法铺平道路。

Apr, 2017

该研究提出了一种基于深度学习的新框架，用于解决数百万点的大规模点云的语义分割挑战。该框架使用超级点图和图卷积网络等技术，取得了室内和户外LiDAR扫描分割方面的新成果。

Nov, 2017

本文提出了一种基于语义图的三维点云场景识别方法，该方法具有鲁棒性，能够应对遮挡和视角变化等环境变化，评估结果表明该方法优于现有技术。

Aug, 2020

本文提出了一种基于深度图匹配的3D点云注册框架，通过先将点云转化为图并提取每个点的深度特征，再用深度图匹配计算软对应矩阵，从而找到更正确的对应关系，实现了在有离群点和时间约束而没有好的变换初始化时的3D点云快速注册。

Mar, 2021

本文提出了一种框架，该框架明确提取双层描述符和检测器，并与之进行粗糙到精细的匹配，以达到准确和鲁棒的点云配准。实验表明该方法的效果优于其他基于关键点的方法。

May, 2023

提出了一种应用图论框架的全局点云配准方法，利用语义线索缩小点云规模解决点云之间重叠度低的问题，通过构建金字塔图进行多级一致性阈值匹配，用级联式梯度上升方法解决最密团问题，得到多个位姿候选项，并通过快速几何验证选择最佳估计。实验证明，尽管点云之间重叠度低且语义质量低，该方法实现了最高的成功率。

Jul, 2023

本文提出了一种基于GNN的方法，利用语义和局部几何形状来指导可靠点云注册候选项的识别，语义和形态特征作为注册的关键参考点，实现精确的激光雷达姿态估计，我们的轻量级静态图结构通过识别语义实例关系，作为一种归纳偏见，显著减少了点云注册的计算负担，通过连接候选节点和利用跨图的关注机制，我们为所有潜在的注册对应关系计算置信度得分，估计点云扫描之间的位移，我们的流程通过将模型与环境中的局部结构的个体贡献相关联，使模型的性能进行内省分析，提供有价值的系统行为洞察。我们在KITTI测距数据集上测试我们的方法，相较于基准方法，实现了竞争性的准确度和更高的轨迹平滑度，同时依赖 significantly fewer network parameters。

Aug, 2023

该论文介绍了一种动态方法，通过多次迭代点云数据的注册过程，识别匹配点聚类区域，从而删除噪点，并通过评估每个注册阶段的结果以提高网络效率。实验证明，该模型相较于其他方法在相似结果上显著减少时间消耗，室内数据集(3DMatch)速度提升超过41%，室外数据集(KITTI)速度提升33%，同时保持竞争性的注册召回需求。

Dec, 2023

3D场景图对齐是一个部分的图匹配问题，我们提出了使用图神经网络来解决它，通过将点云注册方法学习的几何特征与节点级语义特征关联，实现了部分匹配，并通过运行预训练的注册网络在匹配区域内实现了点云注册等下游任务。我们还提出了一种点匹配重新评分方法，利用3D场景图的节点对齐重新调整预训练点云注册方法的匹配候选项，特别是在低重叠情况下，减少了错误的点对应估计。实验证明，我们的方法在低重叠和随机变换情况下将对齐精度提高了10~20%，在多个下游任务中优于现有方法。

Mar, 2024

针对点云配准中的低重叠问题，提出了基于语义信息的 ML-SemReg，该方法通过利用多级语义一致性，将不匹配的点云分为两类并进行匹配，实验证明其具有出色的性能和稳健性。

Jul, 2024