PointCloudCamera是一个基于C++的点云相机接口库，简化了相机连接和点云数据采集。它提供易用的API、JSON配置和错误码机制，并支持调试模式，适合三维数据处理开发者，提高工作效率。

哈工大与宾大联合推出的PointKAN基于Kolmogorov-Arnold网络（KANs）进行点云分析，性能优于传统多层感知机（MLPs）。PointKAN通过Efficient-KANs结构显著减少参数量，同时保持高精度，尤其在小样本学习中展现出强泛化能力。

本研究提出了一种去噪扩散概率模型（DDPM-PCC），旨在解决低比特率点云压缩中的高保真重建问题，并降低所需位数。实验结果表明，该方法在ShapeNet和ModelNet40数据集上优于现有技术。

本研究旨在解决现有开放词汇三维场景理解技术在城市规模数据集上的效率不足的问题。提出的HAEC方法结合了混合专家图变换器，以高效处理SensatUrban城市级数据集，实现无手工注释的合成标记流程。研究表明，该技术能够推动密集城市三维场景的复杂操作，开启数字孪生处理的新路径。

本文探讨了传统体素方法在高比特深度点云处理中的局限性，提出了一种分阶段的空间到通道(S2C)上下文模型，以改善数据压缩效果并降低计算复杂性。通过引入几何残差编码(GRC)和球坐标系统，提升了重建质量并节省了数据位数，展示了在稠密和低级稀疏点云中的应用潜力。

本研究解决了3D高斯点云渲染中生成冗余噪声的问题，提出了一种新颖的高斯聚焦方法，通过引入补丁注意力算法和高斯约束策略来改善渲染质量。此外，采用子划分重建策略，使得对大规模场景的处理成为可能。研究结果表明，高斯聚焦在减少冗余高斯的同时，显著提高了渲染质量，超越了现有的最先进方法。

该研究提出了Panoptic-CUDAL数据集，专为雨天乡村环境设计，记录高分辨率LiDAR、摄像头和位姿数据，显著提升了LiDAR点云的全景和语义分割性能。

本研究提出了一种双流架构和异步采样策略，以解决文本生成3D场景中的不稳定性问题，提升多视图生成的一致性和准确性。

本研究提出GFS-VL框架，解决通用少样本3D点云分割在新类别适应中的稀疏样本问题，通过结合密集伪标签与稀疏样本，显著提升学习效果，实验验证了其有效性，为实际应用奠定基础。

本研究提出了 PointFlowGMM 隐私保护框架，旨在解决 3D 点云的隐私泄露问题，支持分类和分割任务，其识别性能与原始数据相当。

本文提出了一种遮挡感知的场景划分策略，旨在解决大型场景重建中的遮挡问题。通过位置和可视性聚类训练相机，提高区域间的相关性和重建质量。同时，区域渲染技术加速了渲染过程，提升了速度而不降低质量。实验结果表明，该方法在重建效果和渲染速度上优于现有技术。

本研究综述了点云语义分割方法，分为投影法、3D法和混合法，强调数据集及合成数据的重要性，为未来研究指明方向，并比较了不同方法的准确性与效率。

本研究提出了一种基于自编码器的点云修补算法，解决了工业机器人因遮挡导致的抓取点不准确问题，从而提高了抓取效率和应用能力。

本研究提出了一种类感知柱混合（CAPMix）方法，旨在解决雷达点云中混合样本的数据增强问题，特别是在数据稀疏和传感器布局不规则的情况下。实验结果表明，CAPMix显著提升了性能，超越了现有方法。

本研究解决了现有密集语义SLAM方法在开放集场景中因有限类别预训练分类器和隐式语义表示而导致的性能不足问题。我们提出OpenGS-SLAM框架，通过3D高斯表示和显式语义标签，显著提升了3D对象级场景理解的能力，并实现了10倍更快的语义渲染和2倍更低的存储成本。

本研究提出了一种新的邻域占用掩码自编码器（NOMAE），有效解决了LiDAR点云自监督学习中的大面积空白问题。NOMAE通过重建非掩码体素邻域，克服了信息泄漏和计算复杂性，提升了语义分割和3D目标检测的性能。

本研究提出了一种新颖的端到端变换器架构DefTransNet，旨在提高非刚性点云配准方法在噪声和大变形条件下的鲁棒性。实验结果表明，该方法在多种挑战条件下优于现有网络，为软组织外科手术提供了更精确的工具。

本研究提出了一种旋转自适应的领域泛化框架，旨在解决3D点云分析在不可预测旋转下的脆弱性，从而显著提高分类特征的可泛化性和旋转一致性。