该论文提出了两种新型的自监督预训练方法，利用覆盖树对点云进行分层划分，从而避免手动注释点云所导致的困难；并针对少样本学习设置，让学习网络对支持集的点云嵌入进行预训练。实验表明，利用该自监督学习方法预训练的有监督方法显著提高了目前最先进方法的准确性，并且该方法在下游的分类任务中也优于先前的无监督方法。

Sep, 2020

本文提出了一种简单而有效的基线方法，将 CLIP 中的视觉语言知识在特征和输出层面上转移到点云编码器，从而在零样本点云语义分割中取得了显著的性能提升，并在无标注点云语义分割设置中取得了有希望的结果，展示了其在标签效率学习方面的巨大潜力。

Dec, 2023

我们提出了一个统一的点云视频自监督学习框架，用于面向对象和面向场景的数据。通过在点级别进行对比学习，我们的方法能够捕捉到细粒度语义。同时，我们引入了一个新的预训练任务，通过实现超点的语义对齐来进一步提高表示能力。此外，为了解决动态点云时间维度的高冗余性问题，我们提出了一种选择策略来保留适当的负样本，并利用其他实例中的高相似样本作为正样本的补充。大量实验证明我们的方法在各种下游任务上优于有监督对应方法，并展示了学到的表示的卓越可迁移性。

Aug, 2023

本论文提出了一种基于对比学习方法的学习强大点云表示的新策略，该方法可以嵌入任何点云分类网络中，通过改进类内紧凑性和类间可分性来实现嵌入特征分布的细化，并提出了混淆易感类别挖掘策略来缓解由小的类间差异和类间紧凑度引起的混淆问题，并设计了一个基于信息熵理论的熵感知注意模块来识别嵌入空间中的样本异常值和不稳定样本，实验证明该方法比现有技术表现更好，并在现有技术中实现了显著的性能提升。

Jan, 2022

本文提出使用零样本学习方法（ZSL）对未见过的三维点云进行分类，并根据新方案对模型进行基础测试，从而为三维点云识别领域带来新的挑战。

Feb, 2019

本文将零样本学习扩展到三维点云分类领域，提出基于三元组损失的方法，并在实验中证明了其在三维点云和二维图像分类任务中的有效性。

Dec, 2019

零射点云分割方法探索了如何识别在训练阶段未见过的点云中的新物体，并利用深度模型从已标记的已知类别转移知识到未标记的未知类别，提出了一种新颖的多模态零射学习方法，以更准确地对齐视觉和语义特征，在两个流行的基准数据集 SemanticKITTI 和 nuScenes 上进行的实验表明，我们的方法在未见类别 mIoU 上分别取得了 52% 和 49% 的提升，超过了当前的最佳方法。

Jul, 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

本文提出一种新颖的掩码自编码点云自监督学习方案，通过划分输入点云为不规则点区块和高比例随机掩码，设计了一种基于 Transformer 的自编码器，该方案在预训练过程中高效并且在各种下游任务中具有很好的泛化能力，包括在少样本物体分类方面表现出色。

Mar, 2022

本文提出了 Query-Guided Prototype Adaption (QGPA) 模块并通过引入 Self-Reconstruction （SR）来增强原型的表示以适应点云的大内部类特征差异和极少量数据，最终在 S3DIS 和 ScanNet 基准测试中超越最先进的算法，其中还考虑到零样本的情况

May, 2023