- NIPSPoinTramba：一个用于点云分析的混合 Transformer-Mamba 框架
通过将 Transformer 和 Mamba 架构相结合，PoinTramba 方法在点云分析领域取得了显著进展，并在 ScanObjectNN、ModelNet40 和 ShapeNetPart 等数据集上展示了优越的性能，从而为该领域 - 深度学习技术在三维点云分类和语义分割中的综述
本研究综述了深度学习在点云处理中的最新进展、挑战和潜在研究方向，重点关注点云分析中的 3D 形状分类和语义分割两个主要任务。
- CVPR动态适配器遇到提示调整：基于参数效率的点云分析迁移学习
本文的目标是研究点云分析中的参数高效迁移学习，以在任务性能和参数效率之间取得理想的平衡，通过冻结默认预训练模型的参数，并使用动态适配器和提示调整相结合的方法，捕捉每个标记的重要程度，要点功能以及实例特定特征的交互。通过在五个具有挑战性的数据 - PointMamba：一种用于点云分析的简单状态空间模型
基于状态空间模型 (SSM) 成功在 NLP 任务中进行序列建模的启发，我们提出了具有全局建模和线性复杂度的 PointMamba 框架，通过重新排序策略提供更合理的几何扫描顺序来增强 SSM 的全局建模能力，实验证明我们的 PointMa - 旋转不变点云分析的通用框架
我们提出了一种基于深度学习的点云分析通用方法，对输入具有旋转不变性。通过将其作为置换不变问题进行公式化，并提出了一个通用框架，可与任何骨干网络结合使用，我们的方法在常见基准测试中相较于最先进的方法表现出显著或更好的性能，对于 3D 预训练和 - PointeNet: 一种高效且有效的点云分析轻型框架
PointeNet 是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类 / 分割头或嵌入到现成的 3D 物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。
- 增强法线嵌入的点云分析点变形网络
该论文提出了一种基于简洁的 MLP 网络的 Point Deformable Network (PDNet)，它能够捕捉到具有强大表征能力的长程关系。论文还提出了 Point Deformable Aggregation Module (P - 基于渐进式目标风格特征增强的点云无监督领域自适应
在无监督领域自适应任务中，本文提出了一种名为 PTSFA 的新方法，重点在于分类器适应性，通过渐进式目标样式特征增强来使分类器能够识别目标领域样式的源特征，并逐渐适应目标领域。本方法在基准数据集上验证，达到了最新的最优性能。
- MM轻量级点云分析的双向知识重组
轻量级点云模型中，为了解决语义差距问题，提出了双向知识重构来蒸馏教师模型中的上下文信息和全局形状知识，同时使用基于最优运输的特征移动距离损失来解决特征对齐问题，实验结果表明该方法的普适性和优越性。
- ICCV基于聚类的点云表示学习用于三维分析
基于聚类的监督学习方案用于点云分析，通过在点嵌入空间上进行类内聚类来自动发现子类模式，进而重构嵌入空间以提高鲁棒性；该算法在各种 3D 网络架构上表现出明显的改进，并在知名点云分割数据集和 3D 检测中显示出实用性。
- 非定向点云分解的凹面诱导距离
提出了凹凸感知距离（CID）作为一种度量无定向点云中一对点之间差异的新方法，CID 可用于点云分析、点云实例分割和分组，是一种在机器人应用中处理原始点云观测结果的有用工具.
- 深度等变超球
提出了一种基于超球体和正则 n - 单纯形的学习 nD 特征使点云分析在正交转换下等变的方法。实验结果验证了该方法的理论贡献，并展示了深度等变超球体的实际应用潜力。
- AAAI点云分析的梯度关注模块优化
本文提出了一种基于梯度的局部注意力模块，即梯度注意力模块（GAM），以解决点云分析中现有局部特征融合不足的问题，并在五个数据集上进行了全面实验以证明其有效性和泛化能力，尤其在 S3DIS 数据集上表现最佳，精确度、全局准确率、平均精确度分别 - AAAIPaRot: 基于特征解耦和姿态恢复的小块旋转不变网络
本研究介绍了一种新颖的 Patch-wise Rotation-invariant 网格，通过 Feature Disentanglement 实现旋转不变性，并且 Propose 了一个 Rotation-Invariant Geomet - P2P: 使用点对像素提示调整预训练图像模型，进行点云分析
本文探讨如何使用预训练的 2D 知识，通过 Point-to-Pixel Prompting 对预训练的图像模型进行微小调整，以适应于点云分析任务。经过广泛实验，该方法取得了很好的成绩，并在 ScanObjectNN 的最难设置上达到了 8 - CVPRPointVector：点云分析中的向量表示
本文探讨了基于点云的方法在点云分析中的应用，提出了一种聚合邻近特征的高维向量的 “Vector-oriented Point Set Abstraction” 方法，并开发了一种 PointNeXt 结构的 PointVector 模型以提 - CVPR基于学习方向的坐标不变点云分析
本文提出了一种基于信息传递方案的新颖简单框架，通过为每个点引入方向来获得等变性，从而使点云分析更加灵活，并提供了正式的证明以表明其等变性。
- ICLR在点云中重新思考网络设计和本地几何：一个简单的残差 MLP 框架
本文提出了一种名为 PointMLP 的纯残差 MLP 网络，它不使用复杂的局部几何提取器，但仍能表现出很高的竞争力，装备了提出的轻量级几何仿射模块，PointMLP 在多个数据集上都达到了新的最佳状态，相对于大多数最近的 CurveNet - PRA-Net: 面向 3D 点云分析的点关系感知网络
提出了一种名为 PRA-Net 的新型架构，包含 Intra-region Structure Learning（ISL）模块和 Inter-region Relation Learning（IRL）模块，用于强化点云分析的特征表示，既可以 - CVPR用于三维点云分析的等变点网络
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