- MM非等向性持续同调：利用 PH 的度量依赖性
通过在底层空间中变换距离函数并分析相应的持久图中的变化，非各向同性的持久同调可提取出关于方向、方向差异和随机生成点云的缩放等方面的信息。
- 基于多模空间数据的基础设施数字化关键技术研究
构建一个包含数字孪生、交通行业、点云、道路网络和道路标志检测的研究论文的关键词和总结。
- Uni3DETR: 统一的三维检测 Transformer
我们提出了 Uni3DETR，一个统一的 3D 检测器，他可以有效应对室内和室外 3D 检测的差异，并展现了在异构条件下的强大泛化能力。
- P2CADNet：用于点云参数化三维 CAD 模型的端到端重建网络
该研究提出了一种从点云中重建特征 CAD 模型的端到端网络 (P2CADNet)，通过结合点云特征提取器、CAD 序列重构器和参数优化器等模块来实现 CAD 模型的精确重建。实验结果表明 P2CADNet 具有出色的重建质量和准确性，并且是 - 回归再构造：点云自监督学习的回归自编码器
提出了一种名为 Point-RAE 的新的自编码器方案，用于点云的自监督学习，通过引入掩码回归器，在编码器和解码器之间进行功能解耦，最小化解码器对编码器表示空间的影响，并通过对齐约束确保从可见补丁的编码表示中预测出的用于掩码补丁的表示与从编 - 神经随机筛选泊松重建
使用神经网络对基于泊松平滑先验的点云重建不确定性进行研究和量化，我们的算法解决了现有工作的主要局限性，并可以完全整合到 3D 扫描流程中，包括获取初始重建、选择下一个最佳传感器位置和在捕获更多数据后更新重建。
- ICCV面向真实世界干扰的点云识别的样本自适应增强
在 3D 视觉领域，我们提出了一种基于样本结构的自适应转换方法，名为 AdaptPoint，用于处理潜在的破坏，通过包括预测变形参数和生成逐点蒙版在内的模拟破坏，并通过鉴别器防止生成过度破坏。实验结果表明，我们的方法在多个破坏评估中取得了最 - 深度学习中点云数据增强的进展：一项调查
该研究综述了深度学习在点云处理中的应用，探讨了数据增强方法，并对其进行了综合评估和分类，以帮助研究人员全面了解点云数据增强的现状，并推动其广泛应用和发展。
- ICCV基于语义聚类的点云视频自监督学习的点对比预测
我们提出了一个统一的点云视频自监督学习框架，用于面向对象和面向场景的数据。通过在点级别进行对比学习，我们的方法能够捕捉到细粒度语义。同时，我们引入了一个新的预训练任务，通过实现超点的语义对齐来进一步提高表示能力。此外，为了解决动态点云时间维 - PatchContrast：自监督预训练用于 3D 物体检测
基于自主车辆的关键挑战是准确检测环境中的物体。我们引入 PatchContrast，这是一个创新的自我监督点云预训练框架，用于 3D 物体检测。通过提出两个抽象层次的利用，我们学习未标记数据的判别性表示：提案级别和补丁级别。提案级别旨在确定 - 超越离散点：在多模态融合中释放原始雷达数据的力量
提出了一种名为 EchoFusion 的新方法，通过跳过现有雷达信号处理管道并将雷达原始数据与其他传感器结合，利用雷达回波的丰富和无损距离和速度线索以及图像的丰富语义线索，在 RADIal 数据集上超越现有方法并接近激光雷达性能。
- 基于点云表示的内在外貌分解
使用点云表示方法，我们提出了 Point Intrinsic Net (PoInt-Net)，通过联合预测反射率、光源方向和阴影，解决了困扰人们很久的内在分解问题。实验证明了 PoInt-Net 在准确性方面优于 2D 表示方法，并且在小规 - LEST: 基于 Transformer 的大规模 LiDAR 语义分割
我们提出了一种使用纯 Transformer 的 LiDAR 语义分割体系结构 LEST，在公共语义分割验证集和 SemanticKITTI 测试集上，我们的模型表现优于所有其他最先进的方法。
- 点云制图中的动态点移除基准评估
本研究提出了一种易于扩展的统一基准评估框架，用于评估地图中动态点的去除技术，并包括重构的最先进方法和新颖的度量来分析这些方法的局限性。
- 基于直接超点匹配的快速、稳健点云配准
本文提出了一种使用全局 softmax 层直接匹配超级点以确定目标点云变换的简单而有效的方法，通过利用超级点匹配的丰富信息，可以获得更精确的变换估计，并有效地过滤掉任何后处理中的离群值，从而实现了不仅快速而且在 ModelNet 和 3DM - 去噪均值教师在领域自适应点云配准中的应用
本文针对点云医学配准中的域适应问题和损伤监督教师中的噪声提出了一种去噪老师 - 学生范式方法，在公共数据集 PVT 上验证，在两个域移位模型下，该方法提高了 13.5 / 62.8% 的性能，并取得了新的最高精度水平 (TRE=2.31mm - 基于特征对抗蒸馏实现点云分类
本文提出了 Feature Adversarial Distillation (FAD) 方法，在点云蒸馏中使用对抗性损失函数，通过攻击来自教师的反馈来获得学生的特征，从而在 40 倍模型压缩下，减少知识传递中的信息损失，同时保持了竞争性的 - 基于标志性形状识别的低资源白盒式三维点云支撑塔语义分割
本文提出了一种低资源的白盒子模型 SCENE-Net，利用类群不变非扩张算子（GENEOs）在点云中识别签名形状，提供固有几何可解释性，在保证模型决策机制透明性的同时，使训练时间在 85 分钟、推理时间在 20ms，需要的可训练几何参数仅 - 用于 3D 点云分析的收集和分配变换器
本研究提出了 CDFormer，一种新的利用收集和分布机制的 Transformer 架构，可对点云的局部和全局结构进行有效学习，并在四个流行的点云数据集上取得了新的最佳分类和分割结果。
- SG-GAN: 从单张图像实现对 3D 脑点云的细节立体感感知增强
本研究提出了一种新型的 SG-GAN 模型，用于在单个图像的条件下生成高密度的脑点云。相比现有方法，实验结果表明该模型在视觉质量、目标度量和分类表现方面具有优越性。