本文提出 PointNet 网络，通过直接消耗点云数据并尊重其排列不变性，实现了一个统一的架构，可用于物体分类、局部分割和场景语义解析等多种应用，并在理论和实验方面都有较好表现。

Dec, 2016

提出了一种用于处理大规模3D数据的一般用途的全卷积网络，具有内部将无组织的点云转换为有序结构以通过3D卷积处理的能力，可用于许多3D任务的通用点云描述符。在语义体素分割，语义部分分割和3D场景字幕数据集上进行了评估。

Aug, 2018

本篇论文介绍了一种新型编码器PointPillars，该编码器可以将点云转为适合下游检测通道的格式，可应用于众多机器人应用中的物体检测，证明其在速度和准确性上都优于现有编码器，可优化无人驾驶等应用领域。

Dec, 2018

本文提出了一个名为StarNet的基于点云的物体检测系统，利用了点云数据稀疏和三维特征的优点，采用采样策略和数据依赖的anchors，相比传统卷积方法能够更加灵活和高效地检测道路上行人和其他物体。同时，该系统还可以通过利用时间序列信息和利用先验信息和启发式算法精准地定位需要检测的区域。实验表明，StarNet相比于传统卷积基线具有更好的检测表现，并且可以在不重新训练的情况下根据需求灵活控制计算成本。

Aug, 2019

本文提出了一种名为PointMLP的纯残差MLP网络，它不使用复杂的局部几何提取器，但仍能表现出很高的竞争力，装备了提出的轻量级几何仿射模块，PointMLP在多个数据集上都达到了新的最佳状态，相对于大多数最近的CurveNet，PointMLP的训练速度快两倍，测试速度快七倍，并在ModelNet40基准测试中获得更高的精度。

Feb, 2022

本文对PointNet ++进行了系统性研究，提出了一组改进的训练策略和可扩展的PointNeXt，使用数据增强和优化技术以及增加模型大小来显着提高性能并在3D分类任务中实现了最新的最先进的结果。

Jun, 2022

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

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

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

本研究调查了PointNet和PointNet++在LiDAR生成的点云数据分类中的应用，这是实现全自动驾驶汽车的关键组成部分。通过使用来自Lyft 3D目标检测挑战的修改数据集，我们检查了这些模型处理动态和复杂环境的能力，对于自主导航至关重要。我们的分析结果显示，PointNet和PointNet++的准确率分别为79.53%和84.24%。这些结果突显出这些模型在解释复杂的环境数据方面的鲁棒性，这对于自动驾驶汽车的安全和效率至关重要。此外，增强的检测准确性，尤其是在区分行人和其他物体方面，突显了这些模型对于推动自动驾驶汽车技术的进步的潜力。

Apr, 2024