- CloudFort: 通过空间划分和集成预测提高 3D 点云分类的鲁棒性对抗后门攻击
CloudFort 是一种新颖的防御机制，通过空间分割和集成预测技术，有效缓解了后门触发的影响，增强了三维点云分类器对后门攻击的鲁棒性，同时不影响其在干净数据上的准确性，从而为实际应用中基于点云的系统的可信性和可靠性迈出了重要的一步。
- 3D-CSAD：复杂制造表面的未经训练的 3D 异常检测
基于 3D 点云数据的制造零件表面质量检测吸引了日益增多的关注。我们提出了一种基于 3D 点云数据的新型未训练异常检测方法，用于复杂制造零件，能够在无训练数据的情况下实现准确的异常检测。
- 视觉基础模型提升跨模态无监督域自适应在 3D 语义分割中
利用 2D 视觉基础模型 (VFM) 的先验知识，我们提出了一种新的 VFMSeg 流水线，通过利用这些模型来进一步增强跨模态的无监督领域自适应框架，以提供更精确的无标签目标领域标签并改善整体性能。
- 自监督对抗性遮掩在 3D 点云表示学习中的应用
介绍了一种新型的自对抗方法 PointCAM，用于学习 3D 点云的遮罩函数，相较于之前的方法取得了更优秀的结果。
- 基于三维点云数据的模板系统构件自动间距测量
本研究提出了使用三维点云数据来检测和测量模板系统关键部位间距离的框架，该框架的自动化检测具有良好的应用前景，并在真实建筑工地获得了验证。
- SUG: 三维点云分类的单数据集统一泛化
本文提出了一种仅利用一个源数据集来缓解模型在面对新领域数据时遇到的未知领域差异的方法 - Single-dataset Unified Generalization（SUG）框架，主要包括 Multi-grained Sub-domain - CVPRMEnsA: 用于三维点云的无监督多目标领域自适应的混合集成平均方法
提出一种混合不同领域的特征表示以实现更好的领域自适应性能的多目标域自适应基线方法，称为 MEnsA，通过在共享的潜在空间中使用域分类器来改进区分源域和目标域的特征表示的能力，在具有挑战性的 PointDA-10 数据集上进行实验证明了该方法 - CVPR3D 点云语义分割的新型类别发现
本文提出一种基于在线聚类和不确定性量化的新型类别发现方法，用于处理 3D 点云数据的语义分割，设计了新的评估协议以验证其性能优于传统方法。
- 3DSGrasp：适用于机器人抓取的三维形状完成
本文提出了一种名为 3DSGrasp 的新型抓取策略和一种基于 Transformer 编码器 - 解码器网络和 Offset-Attention 层的 PCD 补全网络，该网络不受对象姿态和点置换的影响，可在部分 PCD 的情况下实现可靠 - 点云神经网络的有效提前停止
本文提出一种基于数学原理的新型早停止技术，应用于处理 3D 点云数据的神经网络，可以提高其学习效率和准确率，并且明显缩短训练时间，比传统的早停止方法更加有效。
- 针对常见污染物的 3D 点云识别鲁棒性基准测试
本文提出了深度神经网络在 3D 点云数据上应用于安全关键领域，但对其鲁棒性的研究较少。作者提出了新的用于测试冲突鲁棒性的基准数据集，并给出了一种简单而有效的方法来降低现有模型在此数据集上的表现差距。作者通过实验发现了一些有关点云识别中鲁棒性 - 真实世界点云的可伸缩场景流
本文介绍一种新的基于运动跟踪的大规模数据集并提出适用于全点云的 FastFlow3D 架构，以更好地进行场景流预测并提高现实世界的表现。
- 旋转不变的三维点云局部到全局表征学习
本文提出了一种面对各种几何变换，特别是旋转的局部到全局表示学习算法，该算法利用基于图卷积神经网络的多级抽象构建描述符层次结构，以自底向上的方式对输入对象的旋转不变形状信息进行编码，并通过对三维点的随机采样有效地使学习到的表示对输入数据的变化 - 基于部件的点云三维物体检测数据增强
本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。
- PIE-NET: 点云边缘参数推断
介绍了一种基于神经网络的端到端可学习技术，用于鲁棒地辨识三维点云数据中的特征边缘并采用参数曲线表示，该技术为 PIE-NET，采用区域提议结构训练模型，并在大型 CAD 模型数据集 ABC 上对其进行训练和评价，结果显示其边缘检测性能优于传 - GraphTER：通过节点变换自编码无监督学习图变换等变表示
本研究介绍了一种无监督学习的图变换等变表示（GraphTER）方法，可以有效地从 3D 点云数据中捕捉全局和局部变换下的图形结构，与现有的无监督方法相比表现更好，且可扩展用于其他数据集。
- PointDAN：一种用于点云表征的多尺度三维领域自适应网络
本文提出了一种用于点云数据的新型三维领域自适应网络 (PointDAN)，通过自适应节点模块和节点注意力模块对局部几何结构和全局特征进行多级联合校准以实现点云数据的三维领域自适应。
- 点集的对抗攻击与防御
本文提出了一种针对 3D 点云数据的攻击和防御方案，包括新颖的 3D 点云攻击操作以及灵活的扰动测量方案，防御方法对抗性点云有效，对多个点云网络的攻击可迁移，并且在一系列实验中验证了该攻击和防御框架的有效性。
- 基于图卷积神经网络的三维点云分类
本文介绍了使用 Graph-CNNs 和 PointGCN 对 3D 点云数据进行分类的方法，通过局部图卷积和两种图降采样操作实现了对点云局部结构的有效探索，与竞争方案相比，该架构具有更稳定的性能。
- CVPR三维点云的几何基元有监督拟合
本文提出一种神经网络模型（Supervised Primitive Fitting Network），此模型可以不需要用户干预就能够探测并鲁棒地拟合不同尺度和数量的几何体。相比于已有的 RANSAC-based 方法，该模型在测试中表现更好