文章目录
- [点云基础（Point Cloud Fundamentals）](#点云基础（Point Cloud Fundamentals）)
- [1、点云数据概述（Point Cloud Data Overview）](#1、点云数据概述（Point Cloud Data Overview）)
- [2、点云应用领域与发展分析（Applications and Development of Point Clouds）](#2、点云应用领域与发展分析（Applications and Development of Point Clouds）)
- [3、点云分割任务（Point Cloud Segmentation）](#3、点云分割任务（Point Cloud Segmentation）)
- [4、点云补全任务（Point Cloud Completion）](#4、点云补全任务（Point Cloud Completion）)
- [5、点云检测与配准任务（Detection and Registration）](#5、点云检测与配准任务（Detection and Registration）)
- [6、点云数据特征提取概述与预告（Feature Extraction for Point Clouds）](#6、点云数据特征提取概述与预告（Feature Extraction for Point Clouds）)
- [补充：点云深度学习发展路线（Evolution of Point Cloud Deep Learning）](#补充：点云深度学习发展路线（Evolution of Point Cloud Deep Learning）)
- 参考
点云基础（Point Cloud Fundamentals）
text
点云是什么
│
▼
点云有哪些应用
│
▼
点云有哪些经典任务
（分割、补全、检测、配准）
│
▼
点云如何预处理
│
▼
点云如何提取特征
│
▼
点云深度学习的发展路线
│
▼
PointNet → PointNet++ → DGCNN → KPConv → Point Transformer → Point Foundation Models1、点云数据概述（Point Cloud Data Overview）
点云（Point Cloud） 是在同一空间参考系下，表达目标空间分布和表面特性的海量数据点集合。
通俗地说，如果把一张普通的 2D 照片看作是平铺在画布上的"像素网格"，那么点云就是悬浮在三维空间中的"微小颗粒"。当这些颗粒足够密集时，它们就能在数字世界中重构出真实物体的立体轮廓
点云的数据来源
- 激光雷达（LiDAR）
- 双目视觉（Stereo Vision）
- RGB-D 相机
- ToF 相机
- 三维扫描仪
点云特点
- 无序（Unordered）
- 稀疏（Sparse）
- 不规则（Irregular）
- 高维
近密原疏
飞机1
飞机2
飞机3
2、点云应用领域与发展分析（Applications and Development of Point Clouds）
DEM（Digital Elevation Model，数字高程（海拔）模型） 是一种用数字方式描述地球表面（或其他物体表面）高度信息的数据模型。简单来说，它就是一张带有高度值的三维地形地图。
自动驾驶
- 激光雷达建图
- 障碍物检测
- BEV感知
机器人
- SLAM
- 导航
- 抓取
- 避障
AR/VR
- 空间建模
- 三维重建
- 工业视觉
- 三维测量
- 缺陷检测
- 尺寸检测
医疗
- CT
- MRI
- 三维重建
数字孪生
- 城市建模
- BIM
- 工厂数字化
点云的发展趋势
- Neural Rendering
- Gaussian Splatting
- NeRF
- 3D Foundation Model
无人机勘测
工厂建模，安全监测
智慧城市
点云分割，路灯
得到路灯的位置
点云分割公开数据集
点云分割
3、点云分割任务（Point Cloud Segmentation）
这是最重要的基础任务之一。
语义分割（Semantic Segmentation）
text
PointNet
PointNet++
RandLA-Net
KPConv实例分割（Instance Segmentation）
text
PointGroup
SoftGroup
Mask3D全景分割（Panoptic Segmentation）
结合：
text
Semantic
Instance
上面一排是点云，下面一排是点云分割结果
相同的东西，用相同的颜色表示
不同的东西，用不同的颜色表示
每个点属于什么类别
4、点云补全任务（Point Cloud Completion）
现实中的点云往往存在
- 遮挡
- 漏扫
- 稀疏
因此需要补全
整理来说类似 GAN 和 Unet 那种感觉（编码解码网络）
5、点云检测与配准任务（Detection and Registration）
点云目标检测（3D Object Detection）
text
PointRCNN
PV-RCNN
SECOND
CenterPoint点云配准（Point Cloud Registration）：是指将同一场景或物体，从不同视角、不同时间或不同设备获取的两个或多个点云数据集，对齐到同一个全局坐标系下的过程。
text
Deep Closest Point (DCP)
Predator
GeoTransformer
其实传统图像中能做的都可以在点云中实现
分割和检测最热门
配准前
配准后
配准前
配准后
6、点云数据特征提取概述与预告（Feature Extraction for Point Clouds）
点云有哪些特征？
几何特征
- 法向量（Normal）
- 曲率（Curvature）
- 密度（Density）
统计特征
- FPFH
- PFH
- SHOT
学习特征
- PointNet Feature
- EdgeConv
- Transformer Feature
把每个点都转成一个特征
补充：点云深度学习发展路线（Evolution of Point Cloud Deep Learning）
| 时间 | 方法 | 核心思想 |
|---|---|---|
| 2017 | PointNet | 直接处理无序点集 |
| 2017 | PointNet++ | 引入局部邻域学习 |
| 2018 | DGCNN | 动态图卷积 |
| 2019 | KPConv | 点卷积 |
| 2020 | RandLA-Net | 大规模点云高效学习 |
| 2021 | Point Transformer | Transformer 建模点间关系 |
| 2022--2024 | PointNeXt、Point-BERT、Point-MAE | 大模型与自监督预训练 |
| 2025--至今 | 3D Foundation Models、Vision-Language-3D | 多模态与基础模型融合 |
参考
