使用 SpikePoint 结构，利用事件相机与脉冲神经网络相结合的高效能力，在超低功耗应用场景中实现了优秀的动作识别性能。

Oct, 2023

2D-3D registration for event cameras is studied using a learning-based method called E2PNet, which employs a novel feature representation network called EP2T. E2PNet outperforms hand-crafted and other learning-based methods, and demonstrates potential for various vision tasks.

Nov, 2023

本文介绍了一种简单而有效的基于点云的网络 PEPNet，用于回归六自由度事件摄像机姿态，通过层次结构提取空间和隐含的时间特征，通过 A-Bi-LSTM 提取显式的时间特征，从而在室内和室外数据集上取得了最先进的性能，同时具备轻量级设计版本 PEPNet_tiny 效果与最先进技术相媲美，仅使用 0.5% 的参数。

Mar, 2024

点云配准中的局部和全局特征提取是一个常见问题。本文提出了一种名为 “Point Tree Transformer (PTT)” 的新型基于 Transformer 的方法，通过构建点云的层次特征树和引入一种新的点树注意力机制（PTA）来提取细粒度的局部和全局特征，从而有效地解决低相关性点引起的性能下降和计算复杂度过高的问题。实验证明，该方法在 3DMatch、ModelNet40 和 KITTI 数据集上取得了优越的性能。

Jun, 2024

EventMamba 是一个高效和有效的点云框架，通过优化网络结构实现了对时间信息的提取，并在分类和回归任务中表现出与基于帧的方法相媲美的结果，同时具有轻量级设计原则，实现了卓越的效率和效果。

May, 2024

本研究提出了一个有效而轻量化的点云序列模型，能够在 3D 动作识别方面实现较高的准确性和效率，主要包括点云序列数据扁平化和超点序列混合等方法。实验证明，该模型在速度和效果方面均优于现有模型。

Nov, 2021

提出了一种基于时间 LiDAR 的三维物体检测方法，利用点云和轨迹特征相结合的点轨迹变压器和长短期记忆，实现了对三维物体的高效检测。对大规模 Waymo 数据集进行了广泛实验，证明了该方法在性能上优于现有的方法。

Dec, 2023

本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

Dec, 2021

本文介绍了一种新型的灵活的框架 ——Temporal Point Cloud Networks (TPCN)，该框架采用联合的空间和时间学习用于轨迹预测，并将轨迹预测分为空间和时间两个维度。该方法采用点云学习技术模拟智能体的位置，运用动态时间学习模拟智能体的运动。实验结果表明，该方法在 Argoverse 运动预测基准测试中具有最先进的性能。

Mar, 2021

本研究提出了一种基于点云视频的自编码器框架 PSTAE，使用深度相机和 LiDAR 采集的 3D 数据以保护居民或患者隐私，并取得了 TIMo 数据集上的最新成果 (SOTA)。

Jun, 2023