论文：Patch-based Progressive 3D Point Set Upsampling 一、摘要及引言 点云通常是稀疏、嘈杂且不完整的，这意味着上采样技术非常重要，但将图像中的超分辨率方法迁移到点云中并不容易。PU-Net 通过多尺度学习及特征扩展的方式来扩大点集，但无论输入的几何结构是大规模的还是细粒度的，PU-Net 都将使用同样的尺度来处理，以致于其重建结果往往缺乏细

近来饱受专业实习折磨，学习方面，有所懈怠 论文：Dynamic Graph CNN for Learning on Point Clouds 一、摘要及引言 在 PointNet、PointNet++ 中，都没有考虑到点云的拓扑结构，即相邻点之间的邻接关系。如果设计一个能够恢复拓扑结构的模型，应当可以增强网络的表示能力。基于这一想法，论文设计了网络模块 EdgeConv 来提取

论文：EC-Net: an Edge-aware Point set Consolidation Network 一、摘要及引言 点云整合（point cloud consolidation）是将点云“按摩”到表面上的过程，去噪、补全、重采样等等都属于其一部分。目前数据驱动方法展现出了很好的性能，但它们忽略了 3D 对象的锐利特征。该论文提出了第一个用于边缘感知整合网络 EC-Net ，

论文：PU-Net: Point Cloud Upsampling Network 一、摘要 由于数据的稀疏性和不规则性，使用深度网络学习和分析 3D 点云具有挑战性。论文提出了一种数据驱动的点云上采样技术，即 PU-Net ，其关键思想是学习每个点的多级特征，并通过多层卷积单元扩展特征，然后将这些特征重建为上采样点集。网络应用于 patch-level，通过联合损失函数驱使上采样点以

论文：PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space 一、摘要及引言 PointNet 是直接处理点集的开创性工作，其基本思想是学习每个点的空间编码，然后将所有单个点特征聚合为全局点云特征。但 PointNet 只对单个点编码，无法捕获局部特征。因此引入了分层神经网络 Poi

论文：PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation 一、摘要 点云是一类重要的几何数据结构。由于其形式不规则，大多数研究人员将其转换为规则的 3D 体素网格或图像集合来处理。然而这会使数据不必要地庞大。该论文设计了一种直接作用于点云数据的新型神经网络 PointNet，它很好地遵