点云（Point Cloud）是由三维空间中大量离散点组成的数据形式，其具有无序性、非结构化的特点，无法直接输入深度神经网络（DNN）进行处理，因此在输入网络前通常需要转换为结构化的表示形式。目前主流的转换形式主要有以下几种，每种形式对应适配不同的神经网络结构，以实现高效的特征学习与任务处理：
1. Voxelization（体素化）+ 3D CNN
体素化是将非结构化点云转换为结构化表示的核心方法之一，其核心逻辑是将三维空间划分为规则的立方体网格（即体素），并将点云中的离散点映射到对应体素中，通过平均池化、最大池化等方式聚合每个体素内的点特征，最终形成三维体素网格数据。这种结构化表示能够完美适配3D卷积神经网络（3D CNN），利用3D卷积操作捕获体素间的空间关联与三维几何特征，广泛应用于自动驾驶、三维重建等场景中的障碍物检测、语义占用预测等任务。体素化还能实现点云降噪、尺度统一，减少后续网络的计算冗余，但高分辨率体素化会带来内存消耗激增的问题，通常需结合稀疏卷积网络（如Spconv）优化处理效率。
在体素化+3D CNN的实际应用中，VoxNet是首个专门为点云体素表示设计的端到端深度神经网络架构，其核心价值在于高效利用体素化后的结构化数据，实现三维目标的快速分类与检测，以下是其详细架构解析：
VoxNet架构详解
VoxNet架构整体分为输入层、特征提取层、全连接层、输出层四大模块，适配32×32×32或64×64×64的体素网格输入，结构简洁且计算高效，专门针对点云体素数据的特性优化，解决了原始点云无序性带来的网络适配问题，其架构流程如下：
1. 输入层：体素网格预处理
输入层接收经过体素化处理后的三维体素网格数据，通常为固定尺寸（如32×32×32）的二进制体素网格（仅标记体素内是否存在点）或密度体素网格（记录体素内点的数量/密度）。为提升模型泛化能力，输入阶段会进行数据增强操作，包括体素网格的随机平移、旋转、缩放，以及随机翻转，避免模型过拟合，同时统一输入尺度，确保后续网络层处理的一致性。
2. 特征提取层：3D卷积+池化的核心组合
特征提取层是VoxNet的核心，通过两层3D卷积（Conv3D）与两层3D最大池化（MaxPool3D）交替组合，逐步提取体素网格的局部三维特征与全局空间关联特征，具体结构如下：
-
第一层3D卷积（Conv3D 1）：使用3×3×3的卷积核，输出通道数为32，步长为1，padding设为"same"（保证卷积后特征图尺寸不变），激活函数采用ReLU，用于提取体素网格的基础局部特征，捕捉相邻体素间的空间关系；
-
第一层3D最大池化（MaxPool3D 1）：使用2×2×2的池化核，步长为2，对卷积后的特征图进行下采样，保留关键特征的同时，将特征图尺寸缩小为原来的1/2（如32×32×32→16×16×16），减少后续计算量；
-
第二层3D卷积（Conv3D 2）：同样使用3×3×3的卷积核，输出通道数提升至64，步长为1，padding为"same"，ReLU激活函数，进一步深化局部特征提取，融合更复杂的空间关联信息；
-
第二层3D最大池化（MaxPool3D 2）：2×2×2池化核，步长为2，再次下采样，特征图尺寸缩小至8×8×8，浓缩核心特征，过滤冗余信息。
该组合的核心优势的是，3D卷积能够直接捕捉三维体素的空间维度信息（x、y、z三个方向），相较于2D卷积投影后的特征提取，更能保留点云的原始三维几何结构，而最大池化则能增强特征的鲁棒性，避免微小的体素位置偏差影响模型判断。
3. 全连接层：特征映射与维度转换
经过特征提取层处理后，得到的是8×8×8×64的三维特征图（通道数64），需通过全连接层（FC）将其转换为固定维度的特征向量，适配后续分类/检测任务，具体分为两层：
-
第一层全连接（FC 1）：将8×8×8×64的特征图扁平化（reshape）为1维向量（维度为8×8×8×64=32768），输入全连接层后映射为128维的特征向量，激活函数仍采用ReLU，进一步压缩特征、融合全局信息；
-
第二层全连接（FC 2）：将128维特征向量映射为更低维度（如10维，对应10类目标）的输出向量，为后续输出层提供输入；同时，为防止过拟合，在FC 1与FC 2之间加入Dropout层， dropout概率设为0.5，随机丢弃部分神经元连接，提升模型泛化能力。
4. 输出层：任务适配输出
输出层根据具体任务需求设计，分为两种场景：
-
三维目标分类任务：采用Softmax激活函数，输出每个类别的概率分布，例如识别体素化点云对应的目标是汽车、行人还是障碍物；
-
三维目标检测任务：输出目标的类别概率、边界框坐标（x、y、z、长、宽、高）及旋转角度，实现对目标的定位与分类一体化。
VoxNet的核心创新的是，首次将体素化与3D CNN深度结合，构建了端到端的点云处理架构，摒弃了传统点云预处理中复杂的手工特征设计，让模型自动学习点云的三维特征，极大提升了点云分类/检测的效率与精度，为后续PointNet、SECOND等更复杂的点云网络奠定了基础。
2. Projection/Rendering（投影/渲染）+ 2D CNN
投影/渲染方法通过将三维点云降维映射到二维平面，转化为二维图像形式，从而适配技术成熟、计算高效的2D卷积神经网络（2D CNN）处理。常见的投影方式包括多视图投影、球投影、柱状体素投影（PointPillars）等：多视图投影从不同角度对3D点云"拍照"，生成多张二维视图并输入2D CNN融合特征，适用于物体分类任务；球投影模拟激光雷达扫描方式，将点云展开为全景深度图，用于语义分割任务；柱状体素投影则将点云在高度方向压扁，生成"伪图像"，兼顾效率与精度，非常适合车端实时部署。渲染方法则进一步通过神经渲染技术，将点云特征投影到分层体积中，学习点的可见性，避免投影过程中的重影、遮挡等 artifacts，提升二维表示的准确性。
3. Feature extraction（特征提取）
特征提取是点云预处理的关键环节，其核心是从原始点云或上述结构化表示中，自动学习并提取具有判别性的特征向量，为后续网络层提供有效输入。该过程可通过多层感知机（MLP）、邻域点聚合模块等实现：对于原始点云，可通过PointNet等点基方法，对每个点单独进行特征升维，再通过对称函数提取全局特征；对于体素化或投影后的表示，可通过卷积操作进一步提取局部与全局特征，弥补点云几何信息的损失。特征提取能够浓缩点云的关键信息，减少冗余数据，增强网络对三维形状、空间关系的理解能力，是连接点云原始数据与后续网络处理的核心桥梁。
4. Fully Connected（全连接层）适配表示
全连接层作为深度神经网络的经典结构，需要输入固定维度的特征向量，因此点云需转换为固定长度的特征表示才能适配全连接层处理。这种表示形式通常是特征提取后的结果：将点云通过上述特征提取方法，转化为维度固定的全局特征向量，输入全连接层进行分类、回归等任务的最终决策。在实际应用中，全连接层常与前三种表示形式结合使用，例如体素化+3D CNN、投影+2D CNN提取特征后，通过全连接层输出任务结果；也可通过全连接残差模块，减少特征传递过程中的信息损失，加速网络收敛，提升模型性能。
综上，点云输入深度神经网络前的各类表示形式，本质上是解决点云非结构化与网络结构化输入需求的适配问题，不同表示形式各有优劣，需根据具体任务场景、精度要求与计算资源，选择合适的预处理方式与对应网络结构。