本研究提出了 Points2Surf 算法，一种基于深度学习框架的局部深度信息和整体粗略信息相结合的面重建方法，显著提高了模型泛化能力和重建精度。实验证明，与其他方法相比较，Points2Surf 算法能够在新的形状上实现高质量的重建，并能使重建误差降低 30% 以上。

Jul, 2020

本文提出一种新颖的方法 PC$^2$-PU，该方法探索了点与点之间、补丁与补丁之间的关联性以实现更有效和更稳健的点云升采样，并实验证明该方法优于以往的升采样方法。

Sep, 2021

研究提出了一种使用点云卷积和在每个输入点计算潜在向量的方法，然后进行最近邻的基于学习的插值。实验结果表明，该方法在大多数经典指标上明显优于其他方法，生成更精细的细节并更好地重建了更薄的体积。

Jan, 2022

本文介绍一种利用神经网络编码局部上下文先验 (surface reconstruction from point clouds) 的方法。具体来说，我们先为大规模点云训练局部上下文先验，然后通过学习预测查询来为每个特定的点云定制先验，从而实现针对不同点云的全局重构。实验结果表明，该方法在单个形状或复杂场景的表面重建方面显著优于现有技术。

Apr, 2022

本研究使用神经网络从多视图中学习生成高质量且兼具多视图一致性的 3D 参数曲面，同时保持准确的图像像素到 3D 表面点的对应关系，能够重建具有丰富几何和外观的纹理信息形状，并在公共数据集上获得优于先前工作的定量和定性结果。

Aug, 2020

本研究提出了一种基于深度神经网络的点集上采样方法，通过层级渐进式地使用级联的基于 path 的上采样网络训练，优化各级别的细节并提供一系列架构设计改进，以实现对于低分辨率点云输入的高保真细节重建。在定性和定量实验中，本方法在处理低分辨率输入和揭示高保真度细节方面，均显著优于现有的基于学习和优化的方法。

Nov, 2018

基于分治法的点云生成框架，通过基于可学习先验的补丁生成器和点块转换器，实现了高保真度点云生成，并在 ShapeNet 数据集上优于最新的高保真度点云生成方法。

Jul, 2023

本文提出了一种数据驱动的三维点云上采样技术，通过在特征空间中隐式地学习多层次特征并扩展点集，进而构建高密度点集，并在表面均匀分布的基础上实现采样点的重构，实验结果表明该方法的优越性。

Jan, 2018

本文提出了一种基于深度学习的点云局部三维形状属性估计方法 PCPNet，采用基于 patch 的学习方法，结合多尺度编码，能在强噪声和多尺度特征的情况下更好地估计法线及曲率等局部形状信息。我们的方法在结构化三角网格训练数据上训练，可以在处理噪声点云时得到比现有技术更好的结果，并成功在形状重构方面得到应用。

Oct, 2017

通过使用 2D 卷积和多层感知器作为组件的投影点卷积 (PPConv) 模块来优化点云处理算法，实现了在处理速度和分割性能之间的均衡。

Feb, 2022