- 基于形状生成器和分类器的实例感知三维语义分割
本文提出了一种新颖的面向实例的方法，用于 3D 语义分割，通过结合几个在实例级别监督的几何处理任务来促进学习到的特征表示的一致性，具体方法使用形状生成器和形状分类器来执行每个形状实例的形状重建和分类任务，从而使特征表示能够忠实地编码结构和局 - 旋转不变的随机特征为 3D 点云上的机器学习提供一个强大的基准
使用随机特征方法学习三维点云数据的旋转不变函数，达到与通用旋转不变神经网络相匹配或超过分子性质预测和形状分类任务性能的方法，同时比竞争的核方法具有数量级更小的预测延迟。
- PointCAT：点云的交叉注意力变换器
本文提出了一种基于 Point Cross-Attention Transformer 的新型端到端网络结构，将多尺度特征通过两个不同的跨注意力变换器分支进行组合，并引入一种有效的形状分类模型，通过计算不同分支的单类标记与注意图来减少计算负 - CloudAttention：用于 3D 点云学习的高效多尺度注意力方案
使用集合转换器在分层框架中对点云进行形状分类和分割，实现了状态 - of-the-art 的性能，并可用于处理大规模稀疏数据。
- CVPR姿态决定成败：基于姿态感知卷积的无歧义 3D 旋转不变学习
本文提出了一种适用于旋转不变三维深度学习的新型方法，使用包含相对姿态信息的增强点对特征作为输入，并动态改变卷积核，从而通过以更轻量的方式介绍更多的局部姿态信息来解决全局信息损失问题，在形状分类和部件分割任务上超越了现有方法。
- ICCV加权局部变换的点云增强
提出了一种名为 PointWOLF 的点云数据增强方法，通过局部加权变换中心的多个锚点生成平滑变化的非刚性变形，以实现多样化和逼真的数据增强，并结合 AugTune 进行优化，实现了其在形状分类和部位分割任务中表现的提升，特别是使用 Poi - PCT：点云变换器
本文提出了一种新颖的框架，名为点云 Transformer（PCT），它是基于 Transformer 的，并在点云学习方面具有很好的性能。为了更好地捕获点云中的局部信息，我们利用最远点采样和最近邻搜索增强输入嵌入。实验结果表明，PCT 在 - 通过方向估计进行点云的自监督学习
本文提出了一种基于 3D 自监督学习的点云学习方法，通过旋转点云实现无标签的自我监督，在形状分类和 3D 关键点预测等任务上表现出色，学习到的特征优于其他自监督方法。
- MeshWalker: 随机游走实现深度网格理解
本文提出了一种新方法 MeshWalker，利用随机游走算法，在三角网格结构的 3D 形状中探索和学习几何和拓扑特征。该方法在形状分类和语义分割方面表现良好，并且仅需要很少量的样本即可进行学习。
- ECCV使用近似凸分解在点云上进行标签有效学习
本文研究了在 3D 点云中使用 Approximate Convex Decompositions（ACD）进行自我监督训练的方法，以实现标签高效的学习点云表示。结果表明，ACD 提供了一种极佳的自我监督信号，可以有效地学习 3D 点云表示 - CVPRPointAugment：一种针对点云分类的自动增强框架
这篇论文提出了 PointAugment 自动增强框架，使用对抗性学习策略自动优化和增强点云样本以增加数据多样性，在形状分类方面取得良好表现。
- 卷积神经网络中的纹理偏差起源和普及程度
通过数据增广和改变训练集数据的方式，可以减弱 CNN 网络中很常见的纹理偏见，并且提高非常规测试集上的表现。
- L2G 自编码器：使用分层自注意力的局部到全局重建理解点云
本研究提出了一种名为 Local-to-Global auto-encoder（L2G-AE）的自编码器模型，通过引入层次自注意力机制和重构局部区域大小以及局部到全局的关系，能够更好地了解点云的局部和整体结构，同时在形状分类，检索和上采样等 - ConvPoint: 基于连续卷积的点云处理
本文提出通过替换离散卷积核为连续卷积核，将离散卷积神经网络 (CNN) 泛化为处理点云的神经网络的方法，实验结果表明其在形状分类、部分分割和语义分割方面与现有方法相比具有竞争力。
- 3D 点云迭代变换网络
提出了使用迭代变换网络 (IT-Net) 模块来完成无完整对象模型的局部点云的姿态估计，进而在形状分类和物体部分分割等任务上实现了卓越的性能。
- 数据驱动的形状分析与处理
介绍数据驱动形状分析和处理的主要概念和组件，并通过文献回顾和定性和定量比较，讨论了这些技术在形状分类、分割、匹配、重建、建模以及探索和场景分析和合成中的应用，最后提出了启发未来研究的想法。
- ICCV基于希尔伯特空间嵌入的形状分析框架
使用 Kendall 形状流形上的正定内核提出了一个 2D 形状分析框架，该内核允许我们将形状映射到一个高维希尔伯特空间中，从而使我们能够扩展内核方法并进行形状分类、聚类和检索。