- PSS-BA：具有渐进空间平滑的 LiDAR 束调整
该论文介绍了一种具有渐进空间平滑的 LiDAR 束调整方法，用于复杂环境下的点云构建，能够获得高质量的点云重建结果，并在复杂环境中展现出更好的精度。
- CVPR扩展自身的对应关系：无监督的远程点云逐步距离扩展注册
EYOC 是一种无监督远距离点云注册方法，通过逐步训练特征提取器并利用高保真度对应关系生成和新数据分布的泛化性能，实现了与监督方法相媲美的注册性能。
- DiffPoint: 用基于 ViT 的扩散模型进行单视点云和多视点云重建
本文提出了一种将 ViT 和扩散模型结合的 DiffPoint 架构，用于 2D 到 3D 重建的任务，通过将嘈杂的点云分割成不规则块，在每个扩散步骤中利用 ViT 模型训练以预测目标点，实现了在单视图和多视图重建任务中的最先进结果，并且引 - 多模态 3D 配准：在杂乱的点云中找到多个移动物体
我们研究了 3D 注册问题的一个变种，名为多模型 3D 注册。在多模型注册问题中，我们给出两个描绘了不同姿态下一组物体（可能包括属于背景的点）的点云，并且我们希望同时重建出这两个点云之间所有物体的运动。该方法通用于标准的 3D 注册，其中需 - 考虑变更检测条件下，通过语义八叉树在点云之间转移外立面标签
使用八叉树结构从已标注点云向未标注点云进行注释传递，通过分析点云间的变化，该方法可以有效地传递注释并解决变化问题，对于自动在两个不同的代表同一实物的点云之间进行标签传递的方法的开发是该项目的主要贡献，该方法对于数据驱动的深度学习算法具有非常 - Weisfeiler Leman 对于欧几里德等变机器学习的应用
本文通过扩展 $2$-WL 测试，研究了图神经网络在处理包含位置和速度的点云数据方面的表达能力，并建立了能够处理位置 - 速度对、具有置换和刚体运动等等变换性质的函数的 WeLNet 体系结构，并通过实验验证了它在动力学任务和分子构象生成任 - ICLR混合尺度监督用于高效标签的基于 LiDAR 的三维物体检测
通过使用大规模廉价粗糙标签和少量准确标签进行混合粒度监督，我们提出了 MixSup，一种更实用的方法来同时利用经济实惠的粗糙标签和有限数量的准确标签来进行基于 LiDAR 的高效标签的 3D 物体检测。
- DeFlow: 自动驾驶场景流解码器
DeFlow 通过使用门控循环单元（GRU）细化，实现了从基于体素的特征到点特征的过渡，在恢复场景流任务中克服了体素化过程中点特定特征的丢失，并通过考虑静态点和动态点之间的数据不平衡而制定了一种新型损失函数，评估结果表明，在大规模点云数据上 - PointGL: 一个简单的全局 - 局部框架用于高效的点云分析
PointGL 是一种高效的点云分析架构，通过全局点嵌入和局部图池化两个递归步骤实现特征获取，并在 ScanObjectNN 数据集上取得了最新 PointMLP 模型的五倍速度和较少的计算资源使用的最先进准确性。
- 基于图像的点云颜色信息快速去噪
本文提出了一种快速图形化去噪方法（FGBD），用于大规模点云的实时去噪，通过快速图形构建、快速噪声估计以及低成本滤波器选择，可以在维持准确性的同时大幅减少处理时间。
- 基于不确定性的无参考点云质量评估
通过使用概率建模，本文提出了一种新的点云质量评估方法，使用条件变分自编码器对主观测试的评判随机性进行建模，并生成多个中间质量评分，最终将这些评分整合为准确的质量预测，实现对点云质量的准确评估。实验证明，该方法在不同数据集上表现出色，超越了先 - PPSURF：结合补丁与点卷积进行细节表面重建
PPSurf 是一种结合了基于点卷积的全局先验和基于处理局部点云补丁的局部先验的方法，能够在恢复表面细节方面比当前最先进的方法更准确，同时对噪声具有鲁棒性。
- 利用 GPT-4 视觉进行零样本点云理解
我们研究了在点云中分类物体类别的挑战，通过使用 GPT-4 Vision（GPT-4V）的先进生成能力，我们的方法能够处理复杂的 3D 数据，在不改变底层模型架构的情况下实现了零样本识别能力，并通过系统策略进行点云图像可视化，提高了 GPT - 基于 Transformer 的表面法向量估计
使用 Transformer 从带有噪声和密度变化的点云中准确预测法线，在合成形状数据集 PCPNet 和真实世界室内场景数据集 SceneNN 上实现了最先进的性能，表现出更强的抗噪性和显著更快的推理速度，同时证明了现有工作中的复杂手工设 - InvariantOODG: 学习点云的不变特征以实现超出分布的泛化
通过使用两个分支网络从原始和增强的点云中提取局部到全局特征，在点云的不同分布之间学习不变性，提高点云的局部特征学习并在 3D 领域泛化基准测试中展示了该模型的有效性。
- AAAIDHGCN：自监督点云学习的动态跳跃图卷积网络
我们提出了一种名为 DHGCN（Dynamic Hop Graph Convolution Network）的方法，通过学习点部件之间的上下文关系来提取点云中的局部特征，并利用学习到的跳跃距离作为输入进行图注意聚合，通过自我监督方法实现了最 - ODIN：一个用于 2D 和 3D 感知的单一模型
ODIN 是一种利用转换器架构，在 2D RGB 图像和 3D 点云上进行分割和标记的模型，通过位置编码区分 2D 和 3D 特征操作，在多个基准测试上实现了最先进的性能。
- 深度集合线性优化输送点云分类
介绍了一种名为深度集合线性化最优输运的算法，用于将点云有效地嵌入到 L^2 空间中，并在构建一个分类器来区分不同类别的点云的同时，保留 Wasserstein 空间内特定的低维结构。通过使用输入凸神经网络 (ICNNs) 学习这些输运映射的 - 建模动态城市场景的街道高斯函数
该论文介绍了一种用于建模动态城市街景的新的显式场景表示方法，其使用带有语义标签和 3D 高斯模型的点云来表示动态城市街景，从而实现了场景的编辑和生成，并且在多个数据集上表现优异。
- 空中点云
点云的无线传输面临多个挑战，本文提出了四种实用的解决方案，旨在实现高效、可靠和低延迟的无线点云传输。