Accurate and Efficient Surface Reconstruction from Point Clouds via Geometry-Aware Local Adaptation
School of FSE, Waseda University（Waseda大学FSE学院）；Graduate School of FSE, Waseda University（Waseda大学FSE研究生院）
针对现有局部区域重建方法因均匀固定区域设置无法适应几何复杂度变化的问题，提出基于点云曲率自适应调整局部区域间距和大小的方法，以提升曲面重建的精度与效率。
2025-11-11 cs.CV
DiffPMAE: Diffusion Masked Autoencoders for Point Cloud Reconstruction
The University of Sydney（悉尼大学）；University of New South Wales（新南威尔士大学）
针对点云流传输的高带宽与存储压力及现有重建方法保真度不足的问题，提出结合掩码自编码与扩散模型的DiffPMAE架构，可扩展至多下游任务，在两个大规模数据集上性能超越现有最优方法。
2024-08-15 cs.CV
CP-Net: Contour-Perturbed Reconstruction Network for Self-Supervised Point Cloud Learning
University of Chinese Academy of Sciences（中国科学院大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Alibaba Damo Academy（阿里巴巴达摩院）；South China University of Technology（华南理工大学）
自监督学习尚未被充分探索用于点云分析。目前的框架主要是基于点云重建。仅给定3D坐标，这样的方法倾向于学习局部几何结构和轮廓，而不能理解高级语义内容。因此，它们在下游任务（如分类，分割等）中的性能不理想。为了填补这一空白，我们提出了一种通用的轮廓扰动重建网络（CP-Net），它可以有效地引导自监督重建来学习点云中的语义内容，从而提高点云表示的区分能力。首先，我们介绍了一个简洁的轮廓扰动增强模块的点云重建。在几何解缠的指导下，将点云分为轮廓分量和内容分量。随后，我们扰动的轮廓组件，并保留点云上的内容组件。因此，自我监督者可以有效地专注于语义内容，通过重建原始点云从这样的扰动。其次，我们使用这个扰动重建作为一个辅助分支，通过一个明显的双分支一致性损失指导基本重建分支的学习。在这种情况下，我们的CP-Net不仅可以捕获结构轮廓，还可以学习用于区分下游任务的语义内容。最后，我们进行了大量的点云基准测试的实验。部分分割结果表明，我们的CP-Net（mIoU的81.5%）优于以前的自监督模型，并缩小了与完全监督方法的差距。对于分类，我们在ModelNet 40（92.5%的准确率）和ScanObjectNN（87.9%的准确率）上获得了与全监督方法竞争的结果。代码和模型将在之后发布。
2022-03-28 cs.CV
REPS: Reconstruction-based Point Cloud Sampling
Harbin Institute of Technology（哈尔滨工业大学）
针对现有深度点云下采样方法易出现聚类效应、丢失小尺度结构的问题，提出基于重建的评分策略REPS及GLFA模块，通过多尺度重建评估点重要性，在结构保留和多任务性能上优于现有方法。
2024-03-08 cs.CV
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
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
Automatic 3D Reconstruction for Symmetric Shapes
Stanford University（斯坦福大学）
从单个图像进行通用3D重建是一个困难的问题。大量的数据丢失发生在投影。基于领域的重建方法，我们为特定用例解决一组较小的问题，从而获得更大的回报。该项目提供了一种自动生成实际对称图像的完整3D渲染的方法，这些图像具有识别算法在管道中提供的一些先验信息。我们提供了一个关键的分析，如何可以增强和改进，以提供一个通用的重建框架，自动重建任何对称形状。
2016-06-18 cs.CV cs.GR
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
Automatic 3D Reconstruction of Manifold Meshes via Delaunay Triangulation and Mesh Sweeping
Politecnico di Milano（米兰理工大学）；ETH Zürich（苏黎世联邦理工学院）
在本文中，我们提出了一种新的方法来增量初始化流形表面的自动三维重建图像。更确切地说，我们专注于自动初始化的3D网格尽可能接近最终的解决方案，实际上，许多方法需要一个良好的初始解决方案，通过多视图立体视觉技术进一步细化。我们的新算法自动估计一个初始的流形网格表面演变多视图立体视觉算法，其中的流形属性需要强制执行。它从通过运动恢复结构提取的3D点引导，然后在最先进的流形重建步骤和新型网格扫描算法之间迭代，该算法在重建流形的邻域中寻找新的3D点以添加到流形重建中。实验结果定量地表明，网格扫描提高了分辨率和精度的流形重建，允许一个更好的收敛状态的最先进的表面进化多视图立体视觉算法。
2016-04-21 cs.CV
Automatic extraction and 3D reconstruction of split wire from point cloud data based on improved DPC algorithm
Tian Gong University（天津工业大学）
本文提出一种基于改进DPC算法的点云分裂导线自动提取与三维重建方法，通过相对坐标计算、相对集成DPC群体算法和最小二乘拟合实现自动分离，并验证了0.45米间距的清晰分界结果。
2023-11-10 cs.AI cs.CV
Automatic sampling and training method for wood-leaf classification based on tree terrestrial point cloud
College of Science, Beijing Forestry University（北京林业大学理学院）
地面激光扫描技术为植物三维信息的获取提供了一种高效、准确的解决方案。植物点云数据的叶材分类是一些林业和生物研究的基础步骤。提出了一种基于树木点云数据的自动采样和分类训练方法。采用平面拟合法自动选取叶类样本点和木材样本点，然后利用支持向量机（SVM）算法计算两个局部特征进行训练和分类。利用该方法和人工选取方法对10棵树的点云数据进行了测试。平均分类正确率为0.9305，kappa系数为0.7904。结果表明，该方法比人工选择方法具有更高的效率和准确性。
2020-12-06 cs.CV
Learning Occupancy Function from Point Clouds for Surface Reconstruction
Electrical Engineering and Computer Science York University（约克大学电气工程与计算机科学学院）
基于隐函数的曲面重构技术是从曲面采样点云数据中恢复三维形状的一种有效方法。最近，符号距离函数（SDF）和占有函数被采用在基于学习的形状重建方法中作为隐式3D形状表示。本文提出了一种新的方法，从稀疏点云学习占用函数，并取得了更好的性能具有挑战性的表面重建任务。与之前使用完全连接的多层网络预测点占用的方法不同，我们采用点云深度学习架构，点卷积神经网络（PCNN）来构建我们的学习模型。具体来说，我们创建了一个采样算子，并将其插入PCNN中，以在需要预测占用状态的点处对特征空间进行连续采样。该方法原生地获得了点云数据的几何性质，并且对点的排列具有不变性。我们的占有函数学习可以很容易地适应点云上采样和曲面重建的过程。我们的实验显示了ShapeNet数据集重建的最先进性能，并通过McGill 3D数据集\cite{siddiqi2008retrieving}测试证明了该方法的良好泛化能力。此外，我们发现学习的占有函数比以前的形状学习方法具有相对更多的旋转不变性。
2020-10-22 cs.CV cs.LG
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
City3D: Large-Scale Building Reconstruction from Airborne LiDAR Point Clouds
Delft University of Technology（代尔夫特理工大学）
我们提出了一个全自动的方法，从大规模的空中点云重建紧凑的三维建筑模型。从机载LiDAR点云重建城市的一个主要挑战在于垂直墙通常缺失。基于城市建筑通常由平面屋顶与垂直墙连接到地面的观察，我们提出了一种直接从数据中推断垂直墙的方法。通过屋顶和墙壁的平面段，我们假设建筑物表面的面，并通过使用扩展的基于假设和选择的多边形表面重建框架获得最终模型。具体来说，我们引入了一个新的能源项，以鼓励屋顶的偏好和两个额外的硬约束到优化步骤，以确保正确的拓扑结构和增强细节恢复。对各种大规模机载LiDAR点云数据的实验表明，该方法在重建精度和鲁棒性方面优于现有方法。此外，我们还使用我们的方法生成了一个新的数据集，该数据集由20k个真实世界建筑物的点云和3D模型组成。我们相信，该数据集可以刺激从机载LiDAR点云进行城市重建的研究，以及在城市应用中使用3D城市模型。
2023-03-09 cs.CV cs.GR
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
Fully Automatic 3D Reconstruction of Histological Images
The University of Nottingham（诺丁汉大学）
在本文中，我们提出了一个计算框架，从2D组织切片的3D体积重建使用注册算法在特征空间。为了提高重建的3D体积的质量，首先，通过强度标准化过程来校正图像中的强度变化，该强度标准化过程将图像强度标度映射到标准标度，其中相似的强度对应于相似的组织。其次，提出了一种子体积方法，通过划分标准化切片成组的三维重建。第三，为了提高重建过程的质量，一个自动的最佳参考层选择算法的基础上迭代评估图像熵和均方误差的配准过程。最后，我们证明了参考切片的选择对配准质量和随后的3D重建有显着的影响。
2009-07-18 cs.CV
ObitoNet: Multimodal High-Resolution Point Cloud Reconstruction
University of Maryland（马里兰大学）
ObitoNet通过交叉注意力融合ViT图像特征与FPS/KNN点云几何特征，并用Transformer解码器实现高分辨率点云重建，在稀疏和噪声条件下保持稳健生成能力。
2024-12-25 cs.AI cs.CV cs.LG
What Makes for Automatic Reconstruction of Pulmonary Segments
Dianei Technology（点内科技）；Wuhan University（武汉大学）；Technical University of Munich（慕尼黑工业大学）；Shanghai Jiao Tong University（上海交通大学）；EPFL（洛桑联邦理工学院）
肺段的三维重建在肺癌的手术治疗计划中起着重要作用，有助于保护肺功能并有助于确保低复发率。然而，在深度学习时代，肺段的自动重建仍然是未开发的。在本文中，我们调查是什么使得肺段的自动重建。首先，我们制定，临床和几何，肺段的解剖定义，并提出评价指标坚持这些定义。其次，我们提出了ImPulSe（隐式肺段），一个深隐式的表面模型，专为肺段重建。通过ImPulSe自动重建肺段在度量上是准确的，并且具有视觉吸引力。与规范分割方法相比，ImPulSe输出任意分辨率的连续预测，具有更高的训练效率和更少的参数。最后，我们使用不同的网络输入进行实验，以分析肺段重建任务中的问题。我们的代码可在https://github.com/M3DV/ImPulSe上获得。
2022-07-14 cs.CV eess.IV
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
L2G Auto-encoder: Understanding Point Clouds by Local-to-Global Reconstruction with Hierarchical Self-Attention
Tsinghua University（清华大学）；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）；University of Maryland（马里兰大学）
自动编码器是自重构点云数据编码和解码过程中理解点云数据的重要结构。目前的自动编码器主要关注于通过全局形状重构来学习全局结构，而忽略了对局部结构的学习。为了解决这个问题，我们提出了局部到全局自动编码器（L2 G-AE），通过局部到全局重建同时学习点云的局部和全局结构。具体地，L2 G-AE采用编码器来同时对局部区域中的多个尺度的几何信息进行编码。此外，我们还引入了一种新颖的分层自注意力机制，突出编码器信息聚合中不同层次的重要点、尺度和区域。同时，L2 G-AE采用递归神经网络（RNN）作为解码器，在局部区域中重建一系列尺度，在此基础上增量重建全局点云。我们在形状分类，检索和上采样方面的出色结果表明，L2 G-AE可以比最先进的方法更好地理解点云。
2019-08-02 cs.CV cs.LG
Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds
Ludwig-Maximilians-Universität in Munich（慕尼黑大学）；Technical University of Munich（慕尼黑工业大学）
本文提出神经泊松曲面重建（nPSR），利用傅里叶神经算子求解泊松方程，实现分辨率无关、可微且对采样率鲁棒的高质量三维形状重建。
2023-11-28 cs.CV math.AP
Automatic labelling of urban point clouds using data fusion
Chief Technology Office, City of Amsterdam（阿姆斯特丹市首席技术办公室）
在本文中，我们描述了一种方法来半自动地创建一个标记的数据集的语义分割的城市街道级点云。我们使用数据融合技术，使用公共数据源，如高程数据和大规模地形图，自动标记点云的部分，之后只需要有限的人力来检查结果，并在需要的地方进行修改。这极大地限制了创建标记数据集所需的时间，该标记数据集足够广泛以训练深度语义分割模型。我们将我们的方法应用于阿姆斯特丹地区的点云，并成功地在标记数据集上训练了RandLA-Net语义分割模型。这些结果证明了智能数据融合和语义分割在未来智能城市规划和管理中的潜力。
2021-10-15 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
Visual Enhanced 3D Point Cloud Reconstruction from A Single Image
Nanyang Technological University（南洋理工大学）
解决从单个图像进行3D对象重建的挑战性问题适当地给予现有技术利用单个单目相机而不是需要深度传感器来执行的能力。近年来，由于深度学习的发展，单个图像的3D重建已经展示了令人印象深刻的进展。现有的研究多采用倒角距离作为损失函数来指导神经网络的训练。但是，倒角损失将为3D点云中的所有点提供相等的权重。它倾向于牺牲细粒度和薄结构，以避免招致高损失，这将导致视觉上不满意的结果。本文提出了一个框架，可以恢复一个详细的三维点云从一个单一的图像，重点放在边界（边缘和角点）。实验结果表明，该方法在定性和定量上都明显优于现有技术，并且具有更少的训练参数。
2021-08-17 cs.AI cs.CV
