point-cloud

torch-pointcloud 是一个遵循 timm 规范的 PyTorch 库，通过统一的 `create_model()` 工厂接口提供多种 3D 点云架构及其预训练权重（如 PointNeXt、Point Transformer、KPConv 等），支持分类、分割、检测和自监督预训练任务。该项目目前处于 alpha 阶段，所有模型均经过统一的重新基准测试，权重托管于 Hugging Face，支持通过 pip 直接安装。

LLM2R 将 3D 零件装配任务转化为序列建模问题，使用一个预训练的仅解码器 LLM，通过几何 token 和可学习的摘要 token，在单次非自回归推理中预测所有零件位姿，在 PartNet、PartNeXt 和 Breaking Bad 基准测试上达到了最先进的准确率。

UNITAS是首个3D原生的世界动作模型（WAM），在共享的度量3D坐标系中统一观测、动作与场景动态，以1.7B参数在RoboTwin场景预测上取得最佳结果（位移误差较PointWorld降低最多49%），并在LIBERO上达到99.8%的成功率。

一份项目报告指出，对于 RadarScenes 上的多帧雷达目标分类，宏 F1 的大部分提升（0.7370 → 0.8613）来自跨帧累积雷达点云，而非序列模型的选择：GRU、Transformer 和 SSM 变体的结果都落在 0.86–0.89 的窄区间内，说明单帧表征的质量比序列架构更重要。

FAMOS 是一个前馈模型，它使用多状态关节变换器和程序化数据生成器，从稀疏点云中预测可移动部分分割和关节参数，在实验中显示出相比基线方法的一致性改进。

Attention-DP3通过注意力机制融入对象级几何线索，增强了3D扩散策略，在复杂环境中提高了稳定性，并在多个基准测试中实现了最先进的性能。

一位工程师证明，在 RadarScenes 数据集上，针对纯雷达五类目标分类器，将每个实例的点密度从 1 提升到 5，macro F1 大致翻倍；而架构与特征工程的改动均落在噪声基底之内。该工作指出，极度稀疏的雷达点云无法传达尺寸或速度分布特征，导致两轮车与行人等类别之间产生混淆。

本文介绍了一个完整的贝叶斯框架，用于点云曲线重建，该框架使用马尔可夫链蒙特卡洛算法，能够处理噪声和缺失数据，同时提供不确定性量化。在合成和真实世界的激光雷达数据上的实验表明结果准确。

一种在游戏开发中利用点云处理不规则形状音源声音的技术，旨在避免方向切换问题。

LIDARLearn 是一个开源 PyTorch 库，用于 3D 点云深度学习，统一了 56 个预配置模型，内置交叉验证和自动生成出版级 LaTeX 报告的功能。该框架支持有监督学习、自监督学习和参数高效微调方法，适用于 ModelNet40、ShapeNet 和遥感基准等数据集。