通过学习场景的表面分布、减小可采样空间并采用 Point Diffusion implicit Function (PDF) 方法，实现了大规模场景的神经表示，其中包括利用扩散模块将稀疏点云转化为密集点云作为先验，并通过基于 Mip-NeRF 360 的区域采样来填充场景的背景，该方法在大规模场景的新视角合成中效果显著优于相关最先进技术。

Nov, 2023

本文提出了一种将 ViT 和扩散模型结合的 DiffPoint 架构，用于 2D 到 3D 重建的任务，通过将嘈杂的点云分割成不规则块，在每个扩散步骤中利用 ViT 模型训练以预测目标点，实现了在单视图和多视图重建任务中的最先进结果，并且引入了一种统一且灵活的特征融合模块用于聚合来自不同输入图像的特征，进一步证明了应用统一架构于语言和图像之间以提升 3D 重建任务的可行性。

Feb, 2024

通过提出一种新的预训练方法 PointDif，本文在点云领域实现了显著的改进，包括基于条件点生成器的生成复原的点云和利用全局几何先验和物体全局点密度分布来捕捉局部和全局特征，从而在分类、分割和检测等多个下游任务中取得了实质性的提升。

Nov, 2023

本文提出了一个概率模型，将点云看作是处于非平衡热力学系统内的粒子，并通过扩散过程学习将噪声分布转换为所需形状分布的逆扩散过程，即点云生成过程。具体地，将点云的逆扩散过程建模为一个以某个形状因子为条件的马尔科夫链，并提供了闭合形式的变分下界以进行训练。实验结果显示，该模型在点云生成和自编码方面具有竞争性能。

Mar, 2021

利用文本条件生成 Diffusion 模型以减少 GPU 显存需求，从而在单 GPU 上仅需 1-2 分钟生成 3D 点云模型。

Dec, 2022

该研究论文探讨生成模型在三维点云形状建模方面的应用，提出一种基于归一化流和仿射耦合层的潜在变量模型，用于生成、自编码和单视角形状重构任务，相较最近的基于 GAN 和基于连续流的模型，该模型在训练和推理速度上有明显提升，并在特定指标上实现了优于其他模型的表现，包括单视角形状重构等。

Jul, 2020

该论文提出了一种新方法 PoinTr，将点云补全问题重新构造为集合对集合翻译问题，并采用 Transformer 编码器 - 解码器架构。通过使用定位嵌入在无序点组中表示点云，我们将点云转换为点代理序列，并使用变形器进行点云生成。在点云的局部几何关系中，我们进一步设计了一种几何感知块以更好地利用点云的 3D 几何结构归纳偏差，使得变形器能够更好地学习结构知识和保留详细信息，从而完善点云。此外，我们提出了两个具有更多不完整点云的具有挑战性的基准测试，以更好地反映现实世界的情况。实证结果表明，我们的方法在新的基准测试和现有基准测试上均优于现有最先进的方法。

Aug, 2021

使用图神经偏微分方程和热核签名的鲁棒点云配准方法，在三维计算机视觉中具有应用于图形、自动驾驶和机器人技术等领域的基础技术。实验结果表明，该方法不仅在点云配准方面取得了最先进的性能，而且对于加性噪声或三维形状扰动具有更好的鲁棒性。

Apr, 2024

本文提出了一种基于一级形状分布和二级点分布的概率框架，通过 PointFlow 学习两个级别的分布，并采用连续归一化流训练，进而生成 3D 点云，实现了无监督学习和重建点云，达到了最先进性能。

Jun, 2019

图像与点云之间的特征匹配问题是图像到点云配准的基本问题。通过预训练的大规模模型来统一图像和点云之间的模态，并在同一模态内建立可靠的对应关系。我们利用深度到图像扩散模型提取的中间特征即扩散特征在图像和点云之间具有语义一致性，这使得粗糙但稳健的跨模态对应关系的建立成为可能。在由单目深度估计器产生的深度图上进一步提取几何特征，通过匹配这些几何特征，显著提高了扩散特征产生的粗糙对应关系的准确性。在三个公共室内外基准测试上，通过直接利用这两种特征，该方法平均提高了 20.6％的内点比率、三倍的内点数目和 48.6％的配准召回率相比现有最先进方法。

Oct, 2023