point-clouds

本文提出了3D视觉研究的全面分类体系，涵盖几何表示、数据集、学习范式以及在重建、生成和视频建模中的应用。

BrickAnything是一种自回归框架，通过点云和结构感知树标记化，从多种3D表示中生成物理可构建的砖块结构，确保几何保真度和结构稳定性。

介绍了NEO，一种从点云预测低频拉普拉斯-贝尔特拉米特征空间的神经框架，通过质量感知神经算子和Rayleigh-Ritz精化，实现近线性扩展和强大的零样本泛化能力。

WorldString是一种神经架构，能够从点云或RGB-D视频流中建模物体状态流形，作为物理世界模型的基础组件，其可微结构便于与策略学习集成。

本文引入了一个理论框架，用于分析对称数据规范化方法的泛化误差，证明希尔伯特曲线序列化在覆盖数上呈现多项式增长，而字典序排序则呈指数增长。

RigidFormer 是一种新型的无网格、以对象为中心的 Transformer 模型，能够从点云中学习刚体动力学。在多对象接触动力学方面，其在速度和可扩展性上优于基于网格的基线模型。

OpenAI推出Point-E，一个通过结合文本到图像和图像到3D的扩散模型，能在单个GPU上在1-2分钟内从文本提示生成3D点云的系统。该方法相比现有方法实现了显著的速度提升，同时发布了预训练模型和代码。