- 超越网格：点云和表面表示推动神经处理
提出了一种使用点云数据结构将网格数据转换为更高维度表示的方法，其中每个平滑部分表示特定的像素位置，通过在具有更高细节的区域密集采样所构建的高曲面上获得密集的点云，该方法在公开的脑瘤数据集上实现了显着的改进，可从原始图像中提取错综复杂的细节， - 面向 3D MOT 的点云物体重新识别
本文探讨了在 3D 多物体跟踪场景下，通过学习匹配预测的 3D 边界框裁剪后的（例如，使用点云）点云观测到的对象对应，相比使用图像，通过点云进行对象重新识别的性能表现如何，并提出了可供比较的对象重新识别网络方法，发现使用高感度传感器的效果优 - DualGenerator: 基于信息交互的生成网络用于点云补全
本研究提出了一种基于信息交互的生成式网络，用于点云的完整性补全，并引入了本地细化模块和 DGStyleGAN，以捕捉局部结构和提高网络的鲁棒性和生成质量。经定量和定性测试，证明了该方法在 MVP 和 Completion3D 数据集方面的表 - 一种混合语义几何方法应对建筑点云中的混杂干扰生成楼层平面图
本研究提出了一种混合的语义几何方法，通过基于 PointNet ++ 的语义分割网络与地理推理规则相结合，将激光扫描建筑点云转化为二维平面图，同时对精度、召回率、交并比、Betti 误差和形变误差等方面进行评估。
- Cloud-RAIN: 具有反射不变性的点云分析
通过使用二次神经元和 PCA 规范表示的框架，提出了 Cloud-RAIN 来使点云具有反射不变性，验证了该方法的优越性并证明了其反射性质。
- D-Net：利用自我注意力点搜索和可学习特征融合进行特征明显的点云学习
本文提出 D-Net（Distinctive Network）来学习针对具有差异化的点云进行形状理解的方法，采用自注意点搜索和可学习的特征融合，实验结果显示该方法在形状理解的应用中能够取得最先进的表现。
- 点云网络能否学习解剖结构的统计形态模型？
利用点云深度网络为统计形态建模提供一个未曾探索过的潜在方法，既能捕捉形态的人群统计特征，又能减少推理负担和放松输入要求，这为点云深度学习在形态分析文献中的发展和广泛应用奠定了基础。
- 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。
- 使用 Minkowski 引擎和知识蒸馏方法的 3D 语义分割更小模型
通过应用知识蒸馏技术来减少模型大小，同时保持性能，本文目的是分析和提出不同的损失函数来模拟不同的稀疏卷积神经网络 (Sparse Convolutional NNs) 的表现，特别是在 3D 深度学习的稀疏张量中，我们在标准 ScanNet - CVPR通过操作点云编辑神经辐射场
论文提出了 NeuralEditor，用于泛形状编辑任务，通过利用显式点云表示构建 NeRF，并提出基于确定性积分的新型渲染方案，实现了基于点云的形状编辑，取得了最先进的性能。
- 点云语义分割
简述：本文在点云上进行语义分割，使用了 PointCNN 等多个模型，并基于评估指标和推理速度进行比较。
- 基于 Transformer 的归纳偏置在点云分类和分割中的应用
本研究提出使用 Inductive Bias-aided Transformer（IBT）方法来学习点之间的 3D 联系，以增强自我关注机制，从而改善点云的分类和分割任务。
- 使用毫米波雷达稀疏点云进行人类语义分割
本文提出了一种用于毫米波雷达稀疏连续点云的语义分割框架，该框架包括图结构和拓扑特征，全局和顺序特征提取模块，以及更适合的损失函数，实验结果表明，该模型在自定义数据集和基准数据集上表现优异。
- CVPRGrad-PU：基于学习距离函数的梯度下降任意尺度点云上采样
该研究提出一种支持任意上采样率的点云高精度上采样方法，包括插值和迭代优化等步骤，经过大量的基准测试和下游任务的验证，表明该方法达到了最先进的准确性和效率。
- 多视图视觉提示融合网络：2D 预训练模型能否增强 3D 点云数据稀缺学习？
本研究提出了一个新的多视图视觉提示融合网络 (MvNet)，通过利用现成的 2D 预训练模型实现 few-shot 3D 点云分类，实现了 3D few-shot 点云图像分类的最新性能。
- 基于点云融合的时序一致在线深度估计
本篇论文提出了一种使用全局点云和图像空间中的学习融合方法来解决视频深度图像序列估计中的时间一致性问题，并可以有效处理动态目标。实验结果展示该方法达到了最先进的视频深度图像序列一致性估计质量。
- 预训练点云模型的实例感知动态提示调节
本研究提出一种新的实例感知动态提示调整方法，用于点云预训练模型，该方法有效地降低了存储成本并在许多下游任务中表现出比全微调更好的效果。
- GPr-Net：几何原型网络用于点云少样本学习
提出了一种轻量级的计算几何原型网络 GPr-Net，结合基于向量的手工内在几何量子化器和拉普拉斯向量等相关方法，旨在解决点云匮乏和无序性等问题，并使用超几何空间来处理分布漂移问题，结果表明在计算机效率和精确度上优于所有已有的点云小样本学习方 - 多尺度几何感知 Transformer 用于 3D 点云分类
本文提出了一种基于自注意力和多尺度非欧几里得几何信息的插件模块 Multi-scale Geometry-aware Transformer（MGT），通过对点云数据的局部和全局几何信息的处理，成功提高了点云任务的性能表现。
- SE-ORNet：自我集成方向感知网络，用于无监督点云形状对应
提出一种自我集成的有方向性网络 (称为 SE-ORNet)，用于解决无监督点云形状对应的难题，能够对齐点云对的方向，有效减轻对称部分的误差预测，同时还采用了自我集成框架，通过数据增强和预测一致性的约束，克服了点云噪声的干扰，实验结果表明，该