基于深度学习的三维实例与语义分割：一份综述
本文提出了一种基于2D-CNN和多模态网络架构的点云语义分割方法，将点云数据投影到2D平面，避免了3D-CNN方法中立方体体素化降低空间分辨率和增加内存消耗的限制，并在Semantic3D数据集上达到了相对增益7.9％的最新最佳结果。
May, 2017
本研究提出一种简单而灵活的框架，可同时在点云中进行实例和语义分割，通过学习语义感知的点级实例嵌入使实例分割受益于语义分割，同时融合属于同一实例的点的语义特征，以进行更精确的每点语义预测。此方法在3D实例分割上表现优异，并显著提高了3D语义分割。
Feb, 2019
本文提出了一种新的方法来解决在 3D 点云上进行实例分割时可能出现的计算量过大、类别识别性能不佳等问题，其中本文重要的贡献是提出了一种独立于输入类别和大小的度量标准，通过该标准，新方法在现有研究中表现出最好的性能。
Sep, 2019
本文综述了近期 point cloud learning 领域深度学习方法在 3D 形状分类、3D 物体检测与跟踪、3D 点云分割三大任务中的最新进展及其对公共数据集的比较结果，并提出了可启发未来研究的深刻见解和方向。
Dec, 2019
该论文系统地回顾了现有的深度学习体系结构在LiDAR点云中的应用，包括用于自动驾驶的特定任务如分割、检测和分类，并总结了近五年来超过140个重要贡献，包括3D深度架构、3D语义分割、目标检测和分类方面的深度学习应用以及特定的数据集、评估指标和最新的性能。最终，我们总结了剩余的挑战和未来研究方向。
May, 2020
研究了点云（point cloud）语义实例分割的问题，提出了一种动态的、无需生成建议、数据驱动的方法，可以根据实例的特点生成适当的卷积核，在几个简单的卷积层中解码实例，并采用小型轻量级Transformer来捕捉点样本之间的长距依赖和高级别交互。该方法在ScanetNetV2和S3DIS数据集上均取得了良好的结果，在超参数选择上具有鲁棒性，并且比最先进的方法可提高25%以上的推理速度。
Nov, 2020
综述了近期基于深度学习的三维物体分割，涵盖了 150 多篇文章，总结了最常用的算法流程、讨论了它们的优缺点，并分析了这些分割方法的竞争结果，最后提出了未来的研究方向。
Mar, 2021
该研究论文提出了一种全卷积3D点云实例分割方法，采用逐点预测方式，避免聚类方法中的任务依赖问题，并使用Optimal Transport方法根据动态匹配成本为每个采样点分配目标掩模，显著提升了场景的分割精度，成为比其他方法更简单灵活的3D实例分割框架。
Apr, 2022
该论文介绍了点云的获取、特点和挑战，回顾了点云分类的3D数据表示、存储格式和常用数据集，总结了基于深度学习的点云分类方法，并对最新研究进展进行了补充，对主要方法的性能进行了比较和分析，并讨论了点云分类面临的一些挑战和未来方向。
Nov, 2023