Deep Surface Reconstruction from Point Clouds with Visibility Information
Univ Gustave Eiffel（古斯塔夫·埃菲尔大学）；IGN-ENSG（法国国立地理科学学院）；Ecole des Ponts（巴黎综合理工学院桥梁学校）；CNRS（法国国家科学研究中心）
大多数当前用于从点云重建表面的神经网络忽略传感器姿态并且仅对原始点定位进行操作。然而，传感器的可见性，持有有关空间占用和表面取向的有意义的信息。在本文中，我们提出了两种简单的方法来增强原始点云的可见性信息，因此它可以直接由表面重建网络以最小的适应性来利用。我们提出的修改一致地提高了生成的表面的准确性以及网络对看不见的形状域的泛化能力。我们的代码和数据可在https://github.com/raphaelsulzer/dsrv-data上获得。
2022-02-03 cs.CV
Hyperbolic-constraint Point Cloud Reconstruction from Single RGB-D Images
Harbin Institute of Technology（哈尔滨工业大学）；University of Electronic Science and Technology of China（电子科技大学）；Harbin Institute of Technology Suzhou Research Institute（哈尔滨工业大学苏州研究院）；Peng Cheng Laboratory（鹏城实验室）
针对单视图点云重建依赖昂贵CAD模型、几何先验复杂的问题，提出引入双曲空间、双曲Chamfer距离、正则化三元组损失及自适应边界条件的方法，提升了特征提取能力与3D重建性能。
2024-12-12 cs.CV
Parametric Point Cloud Completion for Polygonal Surface Reconstruction
Technical University of Munich（慕尼黑工业大学）；Delft University of Technology（代尔夫特理工大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出参数化补全范式及PaCo方法，通过恢复平面代理而非单个点来补全不完整点云，在ABC数据集上实现了高质量多边形表面重建。
2025-03-11 cs.CV
PointNeuron: 3D Neuron Reconstruction via Geometry and Topology Learning of Point Clouds
University of Sydney（悉尼大学）
从三维显微图像重建神经元是研究脑连接和神经元形态学的一项重要技术。现有的重建框架使用基于卷积的分割网络在应用跟踪算法之前将神经元从噪声背景中分割出来。跟踪结果对原始图像质量和分割精度敏感。在本文中，我们提出了一个新的框架三维神经元重建。我们的核心思想是利用点云的几何表示能力来更好地探索神经元的内在结构信息。我们提出的框架采用一个图卷积网络来预测神经骨架点，另一个产生这些点的连通性。我们最终通过解释预测的点坐标、半径和连接来生成目标SWC文件。在BigNeuron项目的Janelia-Fly数据集上进行评估，我们表明我们的框架实现了具有竞争力的神经元重建性能。我们对点云的几何和拓扑学习可以进一步有益于3D医学图像分析，例如心脏表面重建。我们的代码可在https://github.com/RunkaiZhao/PointNeuron上获得。
2022-10-18 cs.CV
GarmentGS: Point-Cloud Guided Gaussian Splatting for High-Fidelity Non-Watertight 3D Garment Reconstruction
Donghua University（东华大学）
针对3D Gaussian Splatting难以重建高保真非水密服装的问题，提出GarmentGS，利用10分钟级稠密点云引导高斯基元分布，实现高精度单层网格重建、快速训练与实时渲染。
2025-05-14 cs.CV
Deep Point Cloud Reconstruction
KAIST（韩国科学技术院）；POSTECH（浦项科技大学）
从3D扫描获得的点云通常是稀疏的、有噪声的和不规则的。为了解决这些问题，最近的研究已经分别进行了加密，降噪，并完成不准确的点云。在本文中，我们主张，共同解决这些任务导致显着改善点云重建。为此，我们提出了一种由两个阶段组成的深度点云重建网络：1）用于初始致密化和去噪的3D稀疏堆叠沙漏网络，2）通过将离散体素转换为3D点的Transformers进行细化。特别是，我们进一步提高性能的Transformer的一个新提出的模块称为放大位置编码。该模块被设计为基于点的距离不同地放大位置编码矢量的幅度，以进行自适应细化。大量的实验表明，我们的网络在ScanNet，ICL-NUIM和ShapeNetPart数据集的最新研究中达到了最先进的性能。此外，我们强调了我们的网络对现实世界和未满足场景进行概括的能力。
2022-03-15 cs.CV
A PCA Based Model for Surface Reconstruction from Incomplete Point Clouds
Department of Mathematics, Hong Kong Baptist University（香港 Baptist 大学数学系）
本文提出基于PCA的模型，用于从不完整点云数据中重建表面，通过估计法线信息和操作分裂方法提升重建效果。
2025-12-06 cs.CV
Learned Radius Estimation for UDF-Based Point Cloud Reconstruction
Graduate School of FSE Waseda University Tokyo, Japan（Waseda大学研究生院FSE学院东京日本）
提出一种学习型逐查询半径选择器，预测连续支撑半径并插入冻结的LoSF-UDF骨干网络，通过抛物线插值获取离网目标半径进行训练，提高点云表面重建的细粒度精度。
2026-06-18 cs.CV
Graph-based Point Cloud Surface Reconstruction using B-Splines
University of Antwerp（安特卫普大学）
本文提出基于字典引导图卷积网络的曲面重建方法，在不依赖点法线的情况下同时预测B样条控制点的位置和数量，以处理含噪点云并生成平滑曲面，实验表明其性能优于现有基线。
2025-09-19 cs.CV
Deep Point Cloud Simplification for High-quality Surface Reconstruction
Nanjing University（南京大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
随着点云数据规模的不断增大，三维场景的存储、传输和计算消耗也越来越大。原始数据是冗余的、有噪声的和不均匀的。因此，简化点云以实现紧凑、干净和统一的点对于3D视觉和图形任务变得越来越重要。以往的基于学习的方法的目标是生成更少的点用于场景理解，而不管表面重建的质量如何，导致重建精度低和点分布差的结果。在本文中，我们提出了一种新的点云简化网络（PCS-Net），致力于高质量的表面网格重建，同时保持几何保真度。我们首先在特征感知简化模块中学习采样矩阵以减少点的数量。然后，我们提出了一种新的双尺度重新定位模块细化采样点的位置，以实现均匀分布。为了进一步保留重要的形状特征，设计了一种新的显著性损失的自适应采样策略。使用我们的PCS-Net，可以以特征感知的方式简化输入的非均匀和噪声点云，即，显著特征附近的点被合并，但仍具有局部均匀分布。实验结果表明，我们的方法的有效性，并表明我们优于以前的简化或重建为导向的上采样方法。
2022-03-17 cs.CV
3D-PSRNet: Part Segmented 3D Point Cloud Reconstruction From a Single Image
Indian Institute of Science（印度科学学院）
我们提出了一种机制，重建部分注释的3D点云的对象只给一个单一的输入图像。我们证明，与单独训练每个任务相比，联合训练重建和分割可以提高这两项任务的性能。其关键思想是传播来自每个任务的信息，以便在训练过程中帮助其他任务。为此，我们引入了一个位置感知分割损失的训练制度。我们的经验表明，在产生更忠实的部分重建，同时也提高了分割精度的建议损失的有效性。我们对ShapeNet数据集的不同对象类别进行了全面评估，以获得更好的重建和分割结果。
2018-09-30 cs.CV
3D-LMNet: Latent Embedding Matching for Accurate and Diverse 3D Point Cloud Reconstruction from a Single Image
Indian Institute of Science（印度科学学院）
单视图图像的三维重建是一个不适定问题。从自遮挡图像中推断隐藏区域既具有挑战性又具有模糊性。我们建议采取双管齐下的办法来解决这些问题。为了更好地结合数据先验并生成有意义的重建，我们提出了3D-LMNet，这是一种用于3D重建的潜在嵌入匹配方法。我们首先训练一个3D点云自动编码器，然后学习从2D图像到相应的学习嵌入的映射。为了解决重建中的不确定性问题，我们预测与输入视图一致的多个重建。这是通过学习一个新的视图特定的多样性损失的概率潜在空间。进行了全面的定量和定性分析，以突出所提出的方法的意义。我们在真实和合成数据集上的单视图3D重建任务上优于最先进的方法，同时生成多个合理的重建，证明了我们方法的通用性和实用性。
2019-03-26 cs.CV
Point-MF: Stabilizing One-Step Mean Flows for Single-Image Point Cloud Reconstruction
The University of Electro-Communications（电子通信大学）
本文提出Point-MF框架，通过均流与辅助损失实现单图像点云重建，以单次网络调用完成高精度重建，提升效率与质量。
2026-10-06 cs.CV
Multi-Angle Point Cloud-VAE: Unsupervised Feature Learning for 3D Point Clouds from Multiple Angles by Joint Self-Reconstruction and Half-to-Half Prediction
Tsinghua University（清华大学）；University of Maryland, College Park（马里兰大学帕克分校）；Beijing National Research Center for Information Science and Technology (BNRist)（北京信息科学与技术国家研究中心（BNRist））
点云的无监督特征学习对于大规模点云理解至关重要。最近的基于深度学习的方法依赖于从自重建中学习全局几何。然而，这些方法仍然受到局部几何的无效学习的影响，这显著限制了学习特征的可辨别性。为了解决这个问题，我们提出了MAP-VAE，使学习的全球和当地的几何形状，共同利用全球和当地的自我监督。为了实现有效的局部自我监督，我们引入了点云的多角度分析。在多角度场景中，我们首先从每个角度将点云分成前半部分和后半部分，然后训练MAP-VAE学习从相应的前半部分序列预测后半部分序列。MAP-VAE使用RNN执行这种半对半预测，同时学习每个局部几何形状及其之间的空间关系。此外，MAP-VAE还通过自重构来学习全局几何，其中我们采用变分约束来促进新形状的生成。在四个形状分析任务中的优异结果表明，MAP-VAE可以学习更多的判别全局或局部特征比国家的最先进的方法。
2019-07-30 cs.CV
DynaTok: Token-Based 4D Reconstruction from Partial Point Clouds
Technical University of Munich（慕尼黑工业大学）；Google（谷歌）；Imperial College London（伦敦帝国理工学院）；University of Bonn（波恩大学）
提出DynaTok框架，通过Transformer时空编码器和流匹配解码器，从部分点云序列中无对应地重建完整且时间一致的4D点云，无需图像。
2026-06-11 cs.CV
Complexity-Calibrated Reconstruction Discrepancy for No-Reference Point Cloud Quality Assessment
City University of Macau（澳门城市大学）
该研究针对无参考点云质量评估，提出复杂度校准重建差异方法，通过连续重建估计复杂度分量并校准差异，在三个数据库上性能优于多数通用基线。
2026-10-12 cs.CV
A Three-Dimensional Reverse-Projection Method for Sparse Point Cloud Completion and Its Application to High-Speed Train Nose Reconstruction
本研究提出一种三轴反向投影补全方法，结合FAST-LIVO2与MLS滤波，填补高速列车车头玻璃窗区域的稀疏点云孔洞，并通过贪心投影三角化等生成网格，实现非接触式数字建模。
2026-10-06 cs.CV
CAPNet: Continuous Approximation Projection For 3D Point Cloud Reconstruction Using 2D Supervision
Indian Institute of Science（印度科学学院）
为了建立有效的计算机视觉系统，物体的3D特性的知识是必要的。然而，缺乏大规模的3D数据集可能是数据驱动的方法在学习这些属性的主要限制。我们考虑的任务是单图像三维点云重建，并旨在利用多个前景掩模作为我们的监督数据，以减轻对大规模三维数据集的需求。一种新的微分投影模块，称为“CAPNet”，被引入到获得这样的二维掩模从预测的三维点云。关键思想是将投影建模为点云中点的连续近似。为了克服稀疏投影映射的挑战，我们提出了一个损失公式称为“亲和损失”，以产生无离群重建。我们显着优于现有的基于投影的方法在一个大规模的合成数据集。我们通过在真实世界数据集上的实验展示了这种2D监督方法的实用性和普遍性，其中缺乏3D数据可能是一个严重的问题。为了进一步增强重建，我们还提出了一个测试阶段的优化过程，以获得重建，显示与观察到的输入图像的高度对应。
2018-11-28 cs.CV
mmDEAR: mmWave Point Cloud Density Enhancement for Accurate Human Body Reconstruction
School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）
针对毫米波点云稀疏性限制人体重建精度的问题，提出两阶段深度学习框架mmDEAR，通过点云增强模块致密化数据并结合2D-3D融合优化SMPL参数，在仅推理时依赖点云保护隐私的前提下，显著提升了重建精度并优于现有方法。
2025-03-04 cs.CV
RFNet-4D++: Joint Object Reconstruction and Flow Estimation from 4D Point Clouds with Cross-Attention Spatio-Temporal Features
The Hong Kong University of Science and Technology（香港科技大学）；Deakin University（迪肯大学）；Trinity College Dublin（都柏林圣三一学院）；Woven by Toyota（丰田Woven公司）
本文提出RFNet-4D++网络，通过交叉注意力时空特征联合学习4D点云的物体重建与光流估计，实现最先进性能且训练推理更快。
2023-10-17 cs.CV
FUSE-Flow: Scalable Real-Time Multi-View Point Cloud Reconstruction Using Confidence
FUSE-Flow通过自适应空间哈希加权聚合方法，实现高吞吐量低延迟的实时多视角点云重建，提升重建稳定性和几何保真度。
2026-02-05 cs.CV
SlingBAG Pro: Accelerating point cloud-based iterative reconstruction for 3D photoacoustic imaging with arbitrary array geometries
SlingBAG Pro通过任意阵列几何加速基于点云的3D光声成像重建，提升速度2.2倍。
2026-01-06 cs.CV
Evaluating the point cloud of individual trees generated from images based on Neural Radiance fields (NeRF) method
Fuzhou University（福州大学）；National Engineering Research Center of Geospatial Information Technology（国家地理空间信息技术工程研究中心）；Key Lab of Spatial Data Mining and Information Sharing of Ministry of Education（空间数据挖掘与信息共享教育部重点实验室）；The Academy of Digital China (Fujian)（数字中国研究院（福建））
该研究使用 NeRF 由多源树木图像重建单木点云，并与摄影测量和激光扫描点云比较，验证其在树冠重建、成功率和效率上的优势及精度局限。
2023-12-06 cs.CV
Less is More: Efficient Point Cloud Reconstruction via Multi-Head Decoders
School of Computing and Artificial Intelligence, Southwest Jiaotong University（计算机与人工智能学院，西南交通大学）；Engineering Research Center of Sustainable Urban Intelligent Transportation Ministry of Education, Chengdu, China（可持续城市智能交通工程研究中心，教育部，成都，中国）
本文提出多头解码器架构，利用点云冗余性通过多个独立头重建，在ModelNet40和ShapeNetPart上超越单头基线，证明多样性和架构设计比深度更重要。
2025-05-25 cs.CV
Learnable Chamfer Distance for Point Cloud Reconstruction
National University of Singapore（新加坡国立大学）；Zhejiang University（浙江大学）
提出可学习倒角距离（LCD）作为点云重建损失，通过可学习网络动态调整匹配距离权重并采用对抗训练，克服静态匹配规则缺陷，实现更快收敛和更好重建性能。
2023-12-27 cs.CV
Go with the Flows: Mixtures of Normalizing Flows for Point Cloud Generation and Reconstruction
ETH Zurich（苏黎世联邦理工学院）；University of Bologna（博洛尼亚大学）；Google（谷歌）；TU Munich（慕尼黑工业大学）
最近，归一化流（NF）在建模3D点云方面表现出了最先进的性能，同时允许在推理时以任意分辨率进行采样。然而，这些基于流的模型仍然需要很长的训练时间和大型模型来表示复杂的几何形状。这项工作通过将NF的混合物应用于点云来增强其代表性。我们表明，在这个更一般的框架中，每个组件学习专门在一个特定的子区域的对象在一个完全无监督的方式。通过用相对较小的NF实例化每个混合物组件，我们生成的点云与基于单流的模型相比具有更好的细节，同时使用更少的参数并大大减少推理运行时间。我们进一步证明，通过添加数据增强，个别的混合成分可以学习专门在语义上有意义的方式。我们评估了基于ShapeNet数据集的生成，自动编码和单视图重建的NF混合物。
2021-11-29 cs.CV
Collision-Aware and Observation-Aligned Object-Centric Scene Reconstruction from Point Cloud
Zhejiang University（浙江大学）
提出COOL框架，利用实例与背景点云条件化生成，结合碰撞损失与联合优化，实现碰撞感知、观测对齐的面向对象场景重建。
2026-09-30 cs.CV
LAM3D: Large Image-Point-Cloud Alignment Model for 3D Reconstruction from Single Image
Australian National University（澳大利亚国立大学）；Tencent XR Vision Labs（腾讯XR视觉实验室）
LAM3D提出一种利用点云潜在三平面与图像特征对齐的新框架，实现从单张图像在6秒内生成高保真三维网格，显著减少几何畸变。
2024-05-24 cs.CV
Towards More Diverse and Challenging Pre-training for Point Cloud Learning: Self-Supervised Cross Reconstruction with Decoupled Views
School of AI, Shanghai Jiao Tong University（人工智能学院，上海交通大学）
针对现有单视图点云自监督预训练多样性不足的问题，提出基于解耦视图的交叉重建范式Point-PQAE，通过裁剪机制生成双视图并设计新型位置编码，在ScanObjectNN数据集上显著超越Point-MAE基线。
2025-09-01 cs.CV
Enhanced 3D Urban Scene Reconstruction and Point Cloud Densification using Gaussian Splatting and Google Earth Imagery
University of Waterloo（滑铁卢大学）
本研究利用Google Earth影像构建3D Gaussian Splatting模型，实现了远超神经辐射场的照片级城市场景视图合成，并通过提取点云与多视图立体重建对比，完成了大规模场景的3D几何与光照重建。
2024-06-01 cs.CV
Delaunay Canopy: Building Wireframe Reconstruction from Airborne LiDAR Point Clouds via Delaunay Graph
Emory University（埃默里大学）；Yonsei University（延世大学）
本文提出Delaunay Canopy方法，利用Delaunay图作为几何先验，解决空中LiDAR点云中噪声、稀疏性和内部角区域线框重建的难题，实现高精度线框重建。
2026-04-02 cs.CV
Sparse2DGS: Sparse-View Surface Reconstruction using 2D Gaussian Splatting with Dense Point Cloud
Tohoku University（东北大学）；National Tsing Hua University（国立清华大学）
提出Sparse2DGS方法，利用DUSt3R和COLMAP MVS生成稠密点云初始化2D高斯，解决了稀疏视角下高斯基元初始化不足的问题，仅用三张图像即可实现高精度3D表面重建。
2025-05-29 cs.CV
APR: Online Distant Point Cloud Registration Through Aggregated Point Cloud Reconstruction
Shanghai Jiao Tong University（上海交通大学）；Donghua University（东华大学）
本文提出APR框架，通过自编码器重建聚合点云提取丰富局部特征，实现远距离点云在线配准，在KITTI和nuScenes上显著提升配准召回率。
2023-05-08 cs.CV
Reconstruction-Aware Prior Distillation for Semi-supervised Point Cloud Completion
Renmin University of China（中国人民大学）；Nreal；Tsinghua University（清华大学）
针对点云补全依赖大量成对训练数据的问题，本文提出半监督方法 RaPD，通过两阶段先验学习与蒸馏及自监督补全模块，在同源和异源场景下均取得优于以往方法的效果。
2023-07-24 cs.CV
Dense Point Clouds Matter: Dust-GS for Scene Reconstruction from Sparse Viewpoints
East China University of Science and Technology（华东理工大学）；University of Washington（华盛顿大学）；University of Copenhagen（哥本哈根大学）
针对稀疏视角下3DGS场景重建受初始点云质量和输入图像数量限制的问题，提出Dust-GS框架，通过创新点云初始化与自适应深度掩码混合策略，在更少输入图像下实现更优重建效果。
2024-09-13 cs.CV
UNeR3D: Versatile and Scalable 3D RGB Point Cloud Generation from 2D Images in Unsupervised Reconstruction
Tsinghua University（清华大学）；HKUST(GZ)（香港科技大学（广州））；Guangzhou University（广州大学）
本文提出无监督3D重建框架UNeR3D，仅利用2D视图并结合反距离加权颜色渲染、多视图几何与颜色损失，实现任意视图数、任意分辨率的3D RGB点云生成。
2023-12-10 cs.CV
AIM2PC: Aerial Image to 3D Building Point Cloud Reconstruction
German Aerospace Center (DLR)（德国航空航天中心）；Digital Research Center of Sfax（斯法克斯数字研究中心）；Higher School of Communication of Tunis（突尼斯高等通信学院）
本文提出AIM2PC方法，利用包含完整点云和相机位姿的新数据集，结合CDPM扩散模型与边缘条件，实现航空图像到完整建筑点云的高质量重建，性能优于现有基线。
2025-03-25 cs.CV
Surface Reconstruction from Point Clouds by Learning Predictive Context Priors
Tsinghua University（清华大学）；University of Maryland（马里兰大学）；Wayne State University（韦恩州立大学）
点云数据的曲面重建是三维计算机视觉的重要组成部分。现有技术的方法利用大数据集来首先学习局部上下文先验，该局部上下文先验被表示为基于神经网络的有符号距离函数（SDF），其中一些参数编码局部上下文。为了在推理时在特定查询位置处重建表面，这些方法然后通过在给定查询位置处搜索局部先验空间中的最佳匹配（通过优化编码局部上下文的参数）来匹配局部重建目标。然而，这需要在推广到各种各样的看不见的目标区域之前的局部上下文，这是很难实现的。为了解决这个问题，我们通过在推理时为每个特定的点云学习Predictive Context Priors来引入Predictive Context Priors。具体来说，我们首先训练本地上下文之前使用类似于以前的技术的大型点云数据集。然而，对于推理时的表面重建，我们通过学习预测性先验将局部上下文先验专门化为预测性上下文先验，预测性先验将调整后的空间查询位置预测为原始位置的位移。这将生成最适合特定点云的全局SDF。直观地说，查询预测使我们能够灵活地在整个先验空间中搜索学习到的局部上下文先验，而不是局限于固定的查询位置，这提高了泛化能力。我们的方法不需要地面真值符号距离，法线，或任何额外的过程中的符号距离融合重叠区域。我们在单一形状或复杂场景的表面重建的实验结果表明，在广泛使用的基准下的最先进的显着改善。
2022-04-23 cs.CV
Fast-Image2Point: Towards Real-Time Point Cloud Reconstruction of a Single Image using 3D Supervision
Concordia University（康考迪亚大学）；Touché Technologies（Touché科技公司）
三维重建问题中的一个关键问题是如何训练机器人或机器人进行三维建模。自动驾驶汽车等实时的【形】系统中的导航等许多任务都直接依赖于这个问题。这些系统通常具有有限的计算能力。尽管近年来3D重建系统取得了相当大的进展，但由于现有方法的高复杂性和计算需求，将其应用于自动驾驶车辆中的导航系统等实时的【形】系统仍然具有挑战性。这项研究解决了当前的问题，在重建物体显示在一个单一的视图图像中，在一个更快的（实时的【形】）的方式。为此，开发了一个简单而强大的深度神经框架。该框架由两部分组成：特征提取模块和3D生成器模块。我们使用点云表示我们的重建模块的输出。ShapeNet数据集用于比较该方法与现有结果的计算时间和精度。仿真结果表明了该方法的优越性能。索引术语-实时三维重建、单视图重建、监督学习、深度神经网络
2022-09-20 cs.CV
MergeNet: Explicit Mesh Reconstruction from Sparse Point Clouds via Edge Prediction
DUT-RU International School of Information Science & Engineering, Dalian University of Technology（大连理工大学DUT-RU国际信息科学与工程学院）；School of Software, Dalian University of Technology（大连理工大学软件学院）
提出MergeNet，通过预测边连接将网格重建转为局部连接预测，利用边到表面距离过滤并细化三角剖分，在稀疏点云上优于现有显式方法。
2024-07-16 cs.CV
Generative PointNet: Deep Energy-Based Learning on Unordered Point Sets for 3D Generation, Reconstruction and Classification
Cognitive Computing Lab Baidu Research（百度研究院认知计算实验室）；University of California Los Angeles (UCLA)（加州大学洛杉矶分校）；Tsinghua University（清华大学）；Peking University（北京大学）
我们提出了一个生成模型的无序点集，如点云，在一个基于能量的模型的形式，其中的能量函数是参数化的输入置换不变的自底向上的神经网络。能量函数学习每个点的坐标编码，然后将所有单独的点特征聚合成整个点云的能量。我们称我们的模型为生成PointNet，因为它可以从判别PointNet派生出来。我们的模型可以通过基于MCMC的最大似然学习（及其变体）进行训练，而无需任何辅助网络（如GANs和VAE）的帮助。与大多数依赖于手工制作的距离度量的点云生成器不同，我们的模型不需要任何手工制作的距离度量来生成点云，因为它通过根据能量函数定义的统计特性匹配观察到的示例来合成点云。此外，我们可以学习一个短期的MCMC对基于能量的模型作为一个流动的生成器点云重建和插值。学习的点云表示可以用于点云分类。实验结果表明，所提出的点云生成模型的优点。
2021-04-07 cs.CV
A comprehensive survey on point cloud registration
The University of Sydney（悉尼大学）；University of Technology Sydney（悉尼科技大学）
配准是两个点云之间的变换估计问题，在众多的计算机视觉应用中具有独特而关键的作用。基于优化的方法和深度学习方法的发展提高了配准的鲁棒性和效率。最近，基于优化和深度学习方法的组合进一步提高了性能。然而，基于优化的方法和深度学习方法之间的联系仍然不清楚。此外，随着三维传感器和三维重建技术的发展，一个新的研究方向出现了跨源点云对齐。本调查对同源和跨源配准方法进行了全面的调查，并总结了基于优化的方法和深度学习方法之间的联系，以提供进一步的研究见解。该调查还建立了一个新的基准，以评估最先进的配准算法在解决跨源挑战。此外，本调查总结了基准数据集，并讨论了点云配准在各个领域的应用。最后，本调查提出了这一快速发展领域的潜在研究方向。
2021-03-05 cs.CV
Local and Global Point Cloud Reconstruction for 3D Hand Pose Estimation
National University of Singapore（新加坡国立大学）；University of Bonn（波恩大学）
本文研究了基于RGB图像的三维点云重建和人手三维姿态估计。为此，我们提出了一种新的管道，用于使用3D手模板进行局部和全局点云重建，同时学习姿势估计的潜在表示。为了证明我们的方法，我们引入了一个新的多视图手姿态数据集，以获得完整的三维点云的手在现实世界中。在我们新提出的数据集和四个公共基准上的实验证明了该模型的优势。我们的方法在3D姿态估计方面优于竞争对手，同时重建逼真的完整3D手部点云。
2021-12-13 cs.AI cs.CV
SSRNet: Scalable 3D Surface Reconstruction Network
School of Artifical Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）
现有的基于学习的点云曲面重建方法在可扩展性和大规模点云细节保留方面仍然面临挑战。在本文中，我们提出了SSRNet，一种新的可扩展的基于学习的表面重建方法。SSRNet为八叉树顶点构造局部几何感知特征，并设计了可扩展的重建流水线，不仅大大提高了顶点与隐式曲面之间相对位置的预测精度，提高了曲面重建质量，而且还允许划分点云和八叉树顶点，并并行处理不同部分，以在大型用数百万个点缩放点云。此外，SSRNet表现出出色的泛化能力，只需要几个表面数据进行训练，比其他基于学习的重建方法少得多，可以有效地避免过拟合。SSRNet在一个数据集上的训练模型可以直接用于其他数据集，具有卓越的性能。最后，SSRNet在大规模点云上的时间消耗是可以接受的，并且具有竞争力。据我们所知，所提出的SSRNet是第一个真正为基于学习的表面重建方法的可扩展性问题带来令人信服的解决方案，并且是使基于学习的方法在现实世界和具有挑战性的数据上与几何处理方法竞争的重要一步。实验表明，我们的方法实现了突破，在可扩展性和质量相比，最先进的基于学习的方法。
2020-04-14 cs.CV
Pipe Reconstruction from Point Cloud Data
Institute for the Protection of Maritime Infrastructures German Aerospace Center (DLR) Bremerhaven, Germany（海上基础设施保护研究所 德国航空航天中心（DLR）布伦嫩海德，德国）
本文提出一种从点云数据自动重建管道的方法，通过骨架提取、曲线延长、滚动球重定心和三维平滑，确定管道属性并生成三维模型，支持数字孪生，降低成本。
2025-06-27 cs.CV
P2CADNet: An End-to-End Reconstruction Network for Parametric 3D CAD Model from Point Clouds
School of Computer Science, Wuhan University（武汉大学计算机学院）
本文提出 P2CADNet，通过点云特征提取、双 transformer 解码器序列重建和交叉注意力参数优化，实现首个从点云端到端重建带特征参数化 CAD 模型的网络。
2023-10-04 cs.CV
PolyGNN: Polyhedron-based Graph Neural Network for 3D Building Reconstruction from Point Clouds
Technical University of Munich（慕尼黑工业大学）；Delft University of Technology（代尔夫特理工大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
提出基于多面体图神经网络的PolyGNN，通过图节点分类组装多面体基元实现水密紧凑的三维建筑重建，并采用骨架采样与索引批处理技术，在大规模合成与真实数据上验证了高效性。
2024-10-11 cs.CV
Differentiable Manifold Reconstruction for Point Cloud Denoising
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）
由于采集设备的固有限制，三维点云数据经常受到噪声干扰，影响了后续的曲面重建、绘制等工作，以往的工作主要是推断噪声点与底层曲面之间的位移，但没有明确地指定这些位移来恢复曲面，可能会导致去噪效果不佳。为此，我们建议从具有微小噪声扰动的可微子采样点及其嵌入的邻域特征中学习噪声点云的底层流形，旨在捕获点云中的内在结构。具体来说，我们提出了一个自动编码器一样的神经网络。编码器学习每个点的局部和非局部特征表示，然后通过自适应可微分池化操作以低噪声采样点。然后，解码器通过将每个采样点及其邻域的嵌入特征变换为以该点为中心的局部表面来推断底层流形。通过对重构流形的重构，得到去噪后的点云。此外，我们设计了一个无监督的训练损失，这样我们的网络就可以以无监督或有监督的方式进行训练。实验表明，我们的方法显着优于国家的最先进的去噪方法在合成噪声和现实世界的噪声。代码和数据可在https://github.com/luost26/DMRDenoise上获得
2020-08-09 cs.CV
SC-NeRF: NeRF-based Point Cloud Reconstruction using a Stationary Camera for Agricultural Applications
Iowa State University（爱荷华州立大学）
针对室内高通量植物表型设施中传统NeRF方法需移动相机的局限，提出SC-NeRF框架，通过固定相机结合物体旋转捕获图像，经姿态变换模拟相机移动实现点云重建，在植物表型应用中重建保真度高且无需复杂相机运动。
2025-04-15 cs.CV
VisTa3D: A Dataset and Benchmark for Thin Object Reconstruction from Vision, Tactile, and 3D Point Clouds
Yale University（耶鲁大学）；Yale Vision Laboratory（耶鲁视觉实验室）；GRAB Lab（GRAB实验室）
VisTa3D是首个含视觉、触觉等数据的薄物体重建数据集，作者在其上基准测试现有模型发现其保真度低，还提出视觉-深度-触觉基线模型以探究触觉数据对薄物体重建的辅助作用。
2026-09-01 cs.CV
Advancements in Point Cloud Data Augmentation for Deep Learning: A Survey
Xi'an Jiaotong-Liverpool University（西交利物浦大学）；University of Liverpool（利物浦大学）
本文综述了深度学习中点云数据增强方法，将其分类为基础与专用方法，评估其潜力与局限，并为未来研究提供方向，以促进该领域的广泛应用与发展。
2024-04-23 cs.CV
Garment4D: Garment Reconstruction from Point Cloud Sequences
Nanyang Technological University（南洋理工大学）；SenseTime Research（商汤科技研究院）；Shanghai AI Laboratory（上海人工智能实验室）
学习三维服装重构对于不同形状、不同姿态的三维人体的着装具有重要意义。以前的作品通常依赖于2D图像作为输入，然而，这遭受的规模和姿态模糊。为了规避2D图像所造成的问题，我们提出了一个原则性的框架，Garment4D，它使用3D点云序列的穿着人类的服装重建。Garment4D有三个专门的步骤：顺序服装配准，规范服装估计，并提出服装重建。主要的挑战有两方面：1）对精细细节进行有效的3D特征学习，以及2）捕获由服装与人体之间的相互作用引起的服装动态，特别是对于裙子等宽松服装。为了解决这些问题，我们引入了一种新的建议引导的层次特征网络和迭代图卷积网络，它集成了高层语义特征和低层几何特征，用于精细细节重建。此外，我们提出了一个时间Transformer平滑的服装运动捕捉。与非参数化方法不同的是，我们的方法重建的服装网格与人体是可分离的，具有很强的可解释性，这是下游任务所期望的。作为这项任务的第一次尝试，高质量的重建结果定性和定量说明通过广泛的实验。代码可在https://github.com/hongfz16/Garment4D上获得。
2021-12-08 cs.CV
Volumetric Cloud Field Reconstruction
Imperial College London（帝国理工学院）；University of Oxford（牛津大学）
本文提出一种融合深度立体模型、3D CNN与平流模块的深度学习框架，从少量立体图像对重建云等体积的密度与速度场，并利用时间演化提升运动推断与时间一致性。
2023-11-29 cs.CV
Self-Supervised Implicit Attention Priors for Point Cloud Reconstruction
University of Cambridge（剑桥大学）；Princeton University（普林斯顿大学）
针对从不规则点云恢复高质量表面的不适定问题，提出一种自监督隐式注意力先验方法，无需外部数据，通过联合训练嵌入字典与隐式距离场提取形状先验，结合RIMLS提升细节保留与鲁棒性，性能优于经典及基于学习的方法。
2025-11-12 cs.CV
