本论文提出了一种基于对比学习方法的学习强大点云表示的新策略，该方法可以嵌入任何点云分类网络中，通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化，并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题，并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本，实验证明该方法比现有技术表现更好，并在现有技术中实现了显著的性能提升。

Jan, 2022

基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。

Jul, 2023

本文提出了一种新的点云实例分割框架，其中包括嵌入步骤和聚类步骤。嵌入步骤中，每个点用三元正态分布表示，聚类步骤中，提出了一种有利于语义分割和聚类的新损失函数，并在 PartNet 数据集上实验得到了显著的改进。

Nov, 2019

本文提出了一种旋转不变的深度点云网络，通过结合点的位置信息和关系特征的嵌入块，实现了对点云的分类和语义分割，能够在处理点云输入时保持状态 - of-the-art 分类性能。

Nov, 2020

通过对点卷积操作的不同嵌入机制实验研究，我们提供了第一项广泛的研究，旨在分析这些嵌入机制如何单独编码点邻域信息，并给出了一些建议，可以帮助改进点云的神经网络架构设计。我们发现，最常用的基于多层感知器（MLP）和 ReLU 激活函数的嵌入机制在所有嵌入方式中表现最差，甚至在某些任务上被简单的点坐标线性组合方式超越。此外，我们展示了基于这些嵌入机制的简单卷积神经网络在多个任务上取得了最先进的结果，优于最近和更复杂的操作。最后，我们展示这些发现可以推广到其他更复杂的卷积操作，通过遵循我们的建议，能够改进最近的最先进架构设计。

Oct, 2023

本文提出了一种新的低层纯旋转不变表示，以替代常见的 3D 笛卡尔坐标作为神经网络的输入，并介绍了一种网络结构来将这些表示嵌入为特征，编码点与邻居之间以及全局形状结构之间的局部关系，并通过区域关系卷积来编码局部和非局部信息以缓解因旋转不变表示引起的全局信息丢失。在多个点云分析任务上评估我们的方法，包括形状分类、部件分割和形状检索，实验结果表明与现有技术相比，我们的方法在任意方向上的输入上实现了一致且最佳的性能。

Mar, 2020

本文研究了使用内存模块进行环境表示的方法，其中包括利用卷积神经网络提取点嵌入并将其刚性对齐，从而提高智能体的自主能力和准确性。

Jul, 2019

通过使用多任务深度网络在欧几里德空间和嵌入空间中构建的点聚类方法来解决屋顶平面分割中边界问题，并构建了合成数据集和真实数据集验证了该方法的显著优越性。

Sep, 2023

通过提出神经内在嵌入（NIE）来嵌入每个顶点到高维空间从而建立弱监督的非刚性点云配准框架，无需先前的基础构建或真实配准标签。实验证明我们的框架表现与现代方法相当甚至更好，而这些方法通常需要更多的监督和 / 或结构几何输入。

Mar, 2023

本文探究如何以点云数据为基础，应用深度学习方法以及掌握时间一致性的学习模块，实现对包含大量非刚性变形的 3D 动态场景进行时间插值的问题，并在各项实验中取得了比同类方法更好的效果。

Mar, 2022