- 点云法线估计的非对称孪生网络
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 - 高斯着色器：具有阴影函数的反射面的 3D 高斯喷洒
本文介绍了一种名为 GaussianShader 的新方法，通过在三维高斯函数上应用简化的着色函数，提升了在具有反射表面的场景中的神经渲染效果，并保持了训练和渲染的效率。通过基于三维高斯函数的最短轴方向设计了一种新颖的法线估计框架，并使用精 - NeuralGF: 通过学习神经梯度函数进行无监督点法线估计
通过引入一种新的神经梯度函数学习范式，我们提出了一种从点云中直接估计定向法线的新方法，它能够更准确地学习未定向和定向法线估计任务。
- 定向点法线估计的神经梯度学习和优化
我们提出了神经梯度学习（NGL），一种用于从三维点云中学习具有一致方向的梯度向量的深度学习方法，具有出色的梯度近似性能。我们利用简单的神经网络对目标函数进行参数化，使用全局隐式表示在点上产生梯度；然而，由于缺乏局部详细描述，导致得到的梯度通 - MMMSECNet：基于多尺度边缘条件的精确和鲁棒的三维点云法向估计
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 - CVPRGeoMAE：自监督点云预训练的掩蔽几何目标预测
本文介绍了一种基于几何特征重建的点云表示学习框架，其中包括三个点云专有的自监督学习目标，即质心预测、表面法线估计和曲率预测。该框架采用自监督学习方法，创造有意义的任务，相互促进模型更好地推理点云的精细几何结构。通过训练后，该模型在物体检测、 - CVPRSHS-Net: 学习符号超曲面来估计点云的定向法线
介绍了一种使用 SHS 方法的点云定向法，通过学习带符号的超曲面，并细化了局部和全局信息，以较高的精度预测点云定向法
- 加权点云法向估计
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。
- CVPR指针扫描：基于云 - 射线相交的神经渲染
本文提出了一种新的方法，将点云渲染成表面，该方法可微并且不需要特定于场景的优化，可以用于表面法线估计、渲染全局点云、反向渲染和光线跟踪。通过直接推断给定点云所代表的底层表面与光线的交点，通过训练一个集合转换器可以将局部邻居点与光线的交点、表 - CVPR重新思考点云法线估计三维曲面拟合中的逼近误差
本文提出使用深度神经网络（DNNs）进行具有较低近似误差的点云法向量估计，其中采用了 Z 方向变换和误差建模作为基本设计原则，并将其与现有最先进的法向量估计方法集成。
- OmniHorizon: 从合成全向数据集中预测野外户外深度和法向量
介绍了 OmniHorizon 数据集，包含广泛的室内外空间，包括建筑、街道和各种植被，也考虑了动态场景组件，还演示了基于相应数据集的学习合成到真实的跨域推理方法。提出了 UBotNet 架构来估计场景一致性法线，UBotNet 在深度和法 - AAAINeAF: 学习点法矢量场进行法向估计
本文提出了一种用于三维计算机视觉中非结构化点云数据的法线估计方法 - Neural Angle Fields (NeAF), 使用球坐标系下的隐式函数学习每个点周围的角度场，可以更加鲁棒地推断出所需法向量，并且在合成数据和真实数据上都取得了 - GraphFit: 学习多尺度图卷积表示用于点云法向估计
本文提出了一种精确高效的方法，用于处理非结构化三维点云上的噪声与非均匀密度，并通过图卷积特征表示学习局部邻域几何信息进行法向量估计，设计了基于注意力机制的自适应模块，进一步增强了法向估计器对点密度变化的鲁棒性，并引入多尺度结构提取图块来学习 - MM基于图论的 LiDAR 数据 3D 法向量提取算法
该研究利用图形化方法来对 LiDAR 点云进行法向量估计和平面提取，建立了一个非线性的约束凸优化问题，并提供不同权重的解决方案进行优化，最终以大规模的综合平面提取数据集的比较验证了该方法
- ICCVAdaFit: 基于学习的点云法向量估计的重新思考
该论文提出了一种神经网络 AdaFit，用于在含有噪声和密度变化的点云上进行强健的法线估计，并通过实验证明其能够在合成数据集和真实场景数据集上实现最好的性能。
- 基于 Patch 拼接的点云快速准确法向估计
本文提出一种基于多补丁拼接的有效法线估计方法。通过使用局部特征聚合和多支平面专家模块等创新手段，实现在降低计算成本和提高鲁棒性的同时，取得了极具竞争力的效果。
- 点云法向量估计网络
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 - 深度特征保持点云滤波法中的法向估计
该研究提出了一种新的基于特征保留的法线估计方法来过滤点云，并通过实验证明其在去除噪点和保留几何特征方面的效果优于现有法线估计方法和点云过滤技术。
- 正常辅助立体深度估计
本文研究如何利用法线估计模型和预测的法线图提高深度质量，方法包括联合学习多视角法线估计和深度估计模块以及提出一种新的一致性损失来训练一个独立的一致性模块来细化深度 / 法线对。实验结果表明，该方法具有高精度、平滑等优点，在多个数据集上的表现 - ICCVSPLINE-Net: 通过光照插值和法线估计网络稀疏光度立体
该论文介绍了一种利用生成网络的光照插值和法线估计方法（SPLINE-Net），通过对称和非对称损失函数的结合，该方法具有等各向异性和全局光照效应的异常值拒绝等优点，并且仅使用了十张图像，就能够胜过现有的基于不同 BRDFs 的 Photom