FlatFormer 是一种 3D 点云变压器网络，通过交换计算负荷和提取局部特征以实现节省计算时间的效果，在边缘 GPU 上实现了实时性能，并在大规模基准测试上达到与或甚至更好的准确性。

Jan, 2023

本研究提出了一种基于 Transformer 的新型框架 GridFormer，该框架采用网格结构和残差密集 Transformer 块，引入了增强的注意力机制和残差密集 Transformer 块，可在艰难的天气条件下实现图像修复，并在五种不同的图像修复任务下实现了最先进的结果。

May, 2023

基于表格可以表示为网格的观察，我们提出了 GridFormer，一种通过预测网格的顶点和边来解释不受约束的表格结构的新方法。我们引入了一种 DETR 风格的表格结构识别器，通过一次预测获得网格的多目标信息。对包括有线、无线、多合并单元、定向和扭曲表格在内的五个具有挑战性的基准进行的大量实验证明了我们模型相对于其他方法的竞争性能。

Sep, 2023

通过引入新的矩阵关注 Transformer（Tensorformer）来实现更好的局部几何建模和更高质量的表面重建，成果在两个常用的数据集上均已超越同行，并在 ShapeNet 上取得 4％的 IOU 改进。

Jun, 2023

通过可学习的网格化处理将点云数据转化为紧凑、规则的网格，解决了点云方法在规模可扩展性上的问题，使得后续层能够使用更好扩展的操作，在时间和内存消耗上表现更佳且能获得有竞争力的结果。

Jul, 2023

提出了一种使用点云数据结构将网格数据转换为更高维度表示的方法，其中每个平滑部分表示特定的像素位置，通过在具有更高细节的区域密集采样所构建的高曲面上获得密集的点云，该方法在公开的脑瘤数据集上实现了显着的改进，可从原始图像中提取错综复杂的细节，开辟了先进的图像分析和处理任务的新可能性。

May, 2023

本研究提出了一种名为 GRNet 的新方法，以 3D 网格为中间表示形式，通过保留结构和上下文信息来完善不完整的 3D 点云，并采用新的梯度损失函数来计算预测和真实点云之间的 L1 距离，实验结果表明这种方法在多个基准测试中表现优秀。

Jun, 2020

本研究提出了一种名为 AutoFocusFormer (AFF) 的局部 - 注意力 Transformer 图像识别骨干网络，通过学习保留任务中最重要的像素来实现自适应降采样，采用点基础分割方法，使得小目标在降采样过程中得到更充分地表示，并展示它在分割任务中显著优于基线模型。

Apr, 2023

OctFormer 使用基于八叉树的关注机制进行分割和检测，这种关注机制具有高效性和灵活性，且在多个基准测试中表现出优异的性能。

May, 2023

通过快速查询网格和使用树结构加速到表面的距离计算，我们提出了 GridPull 来从大规模点云中改善学习隐式表示的效率。

Aug, 2023