- 多投影融合用于 3D LiDAR 点云的实时语义分割
这篇论文提出了一种基于多视角融合的 3D 点云语义分割方法，通过对球面和鸟瞰图进行高效的二维卷积神经网络分割，结合两个视角的分割结果，有效缓解了单个视角方法中存在的信息损失问题，既能提高准确率又能保证速度，在 SemanticKITTI 数 - 基于语义图的三维点云地点识别
本文提出了一种基于语义图的三维点云场景识别方法，该方法具有鲁棒性，能够应对遮挡和视角变化等环境变化，评估结果表明该方法优于现有技术。
- MMCampus3D：用于层次式室外场景理解的摄影测量点云基准
本文介绍了一个丰富注释的 3D 点云数据集，以及用于分层分割任务的有效学习框架。提出了一种基于多任务学习和分层集成的两阶段方法，包括一种考虑不同层次之间一致性的度量。实验结果表明了所提出方法的优越性和分层注释的潜在优势。
- CVPR少样本 3D 点云语义分割
为了解决 3D 点云语义分割中数据有限和模型泛化性能差的问题，本文提出了一种基于注意力机制多突出物体的跨导语义分割方法，并在各种 Few-shot 点云语义分割场景下取得了显著的效果提升。
- ECCVGRNet：用于密集点云补全的格网残差网络
本研究提出了一种名为 GRNet 的新方法，以 3D 网格为中间表示形式，通过保留结构和上下文信息来完善不完整的 3D 点云，并采用新的梯度损失函数来计算预测和真实点云之间的 L1 距离，实验结果表明这种方法在多个基准测试中表现优秀。
- 任意运动侦测器：从一系列 LiDAR 点云学习无类别场景动态
本文提出了一种新的实时方法，基于三维点云序列，采用时间上下文聚合实现动态检测和运动参数估计，可适用于自动驾驶车辆在复杂城市环境下进行安全导航，不仅可以估计车辆或行人等常见道路参与者的运动，还可推广到其他没有在训练数据中出现的物体类别，并对不 - CVPR点云完整性的级联细化网络
提出了一种级联细化网络结合粗到细的策略，通过考虑局部输入的细节和全局形状信息，保留了不完整点集中的现有细节，生成高保真度的缺失部分，并设计了一个补丁鉴别器来学习复杂的点分布，实验结果表明在 3D 点云完成任务中，我们的方法优于现有最先进的方 - ParSeNet: 用于 3D 点云的参数曲面拟合网络
该研究提出了一种称为 ParSeNet 的新型端到端可训练深度网络，该网络将 3D 点云分解为参数化表面补丁，包括 B 样条补丁以及基本几何图元。
- 学习和记忆 3D 点云的代表性原型，用于语义和实例分割
提出了一种利用记忆增强网络来解决三维点云场景理解中实例和语义分割中的样本不平衡问题的解决方案。该方法引入了一个记忆模块，通过记录小批量训练中所见的模式来缓解遗忘问题，这样所学习到的存储项目能够反映出支配类别和非支配类别 / 案例的可解释和有 - 三维点云语义分割的点注意力网络
本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。
- 3D 点云语义分割中的点与标签关联方法综述
本文对 3D 点云的获取和应用进行了概述，结合传统和先进的分割方法，讨论了点云语义分割在远程感知、计算机视觉和机器人技术等领域的发展和应用，并探讨了该领域面临的挑战和未来研究方向。
- DeepVIO：使用三维几何约束进行单目视觉惯性里程计的自监督深度学习
该文章介绍了一种名为 DeepVIO 的自监督深度学习网络，通过直接合并 2D 光流特征（OFF）和惯性测量单元（IMU）数据，提供绝对轨迹估计，实验结果表明其在准确性和数据可适应性方面优于传统的基于 Deep-Learning 方法。
- 基于深度神经网络的局部表面估计的 3D 点云去噪
本文介绍了一种基于神经网络的 3D 点云去噪架构，使用深度学习技术进行去噪，将超过 40000 个采样点的 3D 数据进行网络训练，使用 350 个数据集进行测试，结果表明该算法具有更好的去噪性能和更小的方差。
- CVPR点云中的实例和语义联合分割
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 - 3D 点云迭代变换网络
提出了使用迭代变换网络 (IT-Net) 模块来完成无完整对象模型的局部点云的姿态估计，进而在形状分类和物体部分分割等任务上实现了卓越的性能。
- PointGrow: 带自注意力机制的自回归点云生成
此篇论文介绍了一种新的自回归模型 PointGrow，它可以通过自回归的方法并结合自注意力机制，从语义上下文条件或无条件生成多样而逼真的 3D 点云数据，可应用于非监督特征学习和形状算术操作等多个重要应用领域。
- 3D 点云球形卷积神经网络
提出了一种利用球面卷积核和八叉树空间分割的神经网络用于 3D 点云处理，该球面度量型卷积核系统地量化点周围的局部几何结构，同时具有平移不变性和不对称性。
- 利用低维流形模型的图拉普拉斯正则化进行 3D 点云去噪
本文提出一种基于低维流形模型和图拉普拉斯正则化器的 3D 点云去噪方法，通过近似离散观测的流形维度计算，并且采用一种新的离散补丁距离度量来构建一个抗噪声的图形结构，并取得了比当前最先进方法更好的性能和更好的结构特征保持。
- 一种用于车辆三维检测的通用流水线
本文提出了一种灵活的管道来采用任何 2D 检测网络并将其与 3D 点云融合，以产生最小的 2D 检测网络变化的 3D 信息，使用卷积神经网络（CNN）进行改善，实现了机动车无人驾驶三维物体感知，排名第二。
- Semantic3D.net：一个新的大规模点云分类基准
本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通