本文提出了一个用于学习来自 3D 点云的 SE (3)- 等变特征的卷积结构。它将 KPConv（一种广泛用于处理点云数据的卷积形式）视为等变版本。通过组合群卷积和商表示，我们实现了一个简单，轻量级，快速的设计，能与现有的任务特定点云学习管道集成，同时在各种任务中实现了可比较或更优的性能，消耗更少的内存和运行速度更快。通过实验，我们展示了该方法可以促进点云等变特征学习在实际应用中的采用并激发未来应用的发展。

Jun, 2022

本文提出了基于多尺度点统计（MuPS）的局部高斯网格表示的法向估计方法 Nesti-Net，使用混合专家（MoE）结构来优化每个点周围的最佳比例，从而显著提高模型的鲁棒性和精度。实验结果表明，该方法在合成数据集上达到了最先进水平，并在实际扫描场景上展现了良好的表现。

Dec, 2018

将对称性的概念融入点云神经网络中被证明是提高其泛化能力的一种有效方法。我们引入了 APEN，一个构建近似分段 $E (3)$ 等变点网络的通用框架，借助该观察，我们的设计能够仅基于 (i) 对分割预测的不确定性的量化和 (ii) 未能提出正确子分割的概率的界来限制每一层的等变性近似误差。通过两种数据类型的实证结果，即具有部件对称性的真实场景扫描和人体运动的部分，我们展示了 APEN 的有效性，相较于先前的工作，在分类和分割任务中显示了明显的泛化改进。

Feb, 2024

本文提出了一个有效的 SE（3）网络，它是针对点云分析领域中 3D 形状对齐任务而设计的，可以利用等变特征来提高性能并解决相对较少探索的旋转等变特征对 3D 形状对齐任务的处理问题。我们采用一个新的框架 SE (3) 可分点卷积来降低计算成本，并在网络中引入一个注意力层来有效地利用等变特征的表达能力。通过广泛的研究和视觉解释，实证结果表明，我们提出的模型在各种基准测试中优于强基线。

Mar, 2021

通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

May, 2024

通过应用合理的约束条件，我们在干净点云和有噪点云上学习得到的内在特征的一致性，提出了一种改进正常估计质量的方法，并引入一个包含不同噪声级别的多视角正常估计数据集，通过评估现有方法在该数据集上的表现发现其过拟合问题，持久实验证明了我们的特征约束机制能够有效改进现有方法并降低当前架构中的过拟合现象。

Jun, 2024

我们介绍了一种基于自我注意力机制的新型网络，可以软性聚焦于相关点，并通过学习温度参数来调整软性，使其能够在较大的近邻范围内自然而有效地工作。结果，我们的模型比所有现有的正常估计算法表现更好，精度达到 94.1%，比以前的 91.2% 的最高水平快 25 倍小，推理时间快 12 倍。我们还使用点对平面迭代最近点（ICP）作为应用案例，以展示我们的正常估计比其他方法的正常估计更快地收敛，而无需手动微调近邻参数范围。

Aug, 2020

本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。

May, 2023

本文提出一种名为 Refine-Net 的法线细化网络，通过从多个特征表示中提取更多信息并结合一种新的连接模块设计来预测嘈杂点云的准确法线，并使用一种新的多尺度贴合补丁选择方案来进行初始法线估计。该网络是一种通用的法线估计框架。

Mar, 2022

MSECNet 是一种改进正常变化区域估计的方法，通过将正常变化建模视为边缘检测问题，采用多尺度特征融合和自适应边缘检测实现强大的边缘检测，将检测到的边缘与主干网络的输出结合，以产生边缘感知表示。在合成和现实世界数据集上，MSECNet 在性能上优于现有方法，且运行速度显著更快，表明该方法在表面重建中的有效性。

Aug, 2023