我们提出了一种简单而强大的 FRNet，该网络通过与对应的锥形 LiDAR 点恢复了范围图像像素的上下文信息。实验证明，FRNet 在保持高效率的同时实现了具有竞争力的性能。

Dec, 2023

通过引入基于先验的残差学习范式以及哈希编码网络，提出了一种快速多视角神经表面重建方法，实验结果表明仅需约 3 分钟即可重建单个场景的表面，同时保持了竞争性的表面质量。

Dec, 2023

本论文提出了一种名为 PRNet 的简单、灵活和通用的框架，用于部分到部分的点云配准，它使用深度神经网络处理对齐和部分匹配问题的非凸性，并且 PRNet 适用于部分到部分的配准，并在合成数据上优于 PointNetLK、DCP 和非学习方法。

Oct, 2019

该研究介绍了一种名为 RecNet 的新方法，通过将三维点云投影到深度图像并使用编码器 - 解码器框架进行压缩，从而同时解决资源受限机器人和多机器人系统中有效的位置识别问题。通过提取该过程中的潜在向量用于高效的位置识别任务，RecNet 不仅取得了可比较的位置识别结果，而且保持了紧凑的表示形式，适合在机器人之间实现无缝共享以重建其集体地图。通过对 RecNet 进行包括位置识别性能、重建点云的结构相似性和仅共享潜在向量而得到的带宽传输优势在内的一系列指标进行评估，该方法为在导航、定位、地图合并和其他相关任务中的应用开辟了新的途径。通过公开数据集和实地实验对所提出的方法进行了严格评估，证实其在真实世界应用中的有效性和潜力。

Feb, 2024

提出了一种名为 PPRNet 的新物理驱动多尺度深度学习网络结构，能够从仅进行一次傅里叶幅度测量的数据中，准确、快速、并在实践光学系统中取得显著的重建效果。

Aug, 2022

该研究提出一种名为 PRN 的框架，通过学习异常和正常模式之间的特征残差，以准确重构异常区域的分割图。PRN 包括多尺度原型和多尺寸自注意机制，以及多种异常生成策略，并在多个数据集上实验证明其优于目前的无监督和监督方法。

Dec, 2022

提出了一种名为 PRA-Net 的新型架构，包含 Intra-region Structure Learning（ISL）模块和 Inter-region Relation Learning（IRL）模块，用于强化点云分析的特征表示，既可以动态集成局部结构信息，也可以通过不同 iable 区域划分方案和代表点策略高效地自适应地捕获区域间关系。

Dec, 2021

本文提出了一种新颖的 6D 物体姿态估计框架，称为 G2L-Net，它可以通过 RGB-D 检测处理点云数据来进行实时姿态估计，并在两个基准数据集上取得了最先进的性能。

Mar, 2020

该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

Dec, 2017

本文提出了一种为 few-shot 文本分类的经典网络增加高斯类原型和一种鼓励示例靠近适当类别中心的正则化项的简单方法，表明该方法比 13 个公共数据集和 4 个内部数据集的各种强基线更为出色，并将类分布作为检测潜在的部署时油水分离数据点的工具。

Oct, 2022