本文综述了使用深度迁移学习和领域自适应方法来理解三维点云的最新技术，包括知识转移策略、性能评估，以及在各个应用领域上的应用。同时指出了现有框架的优势、局限性，并提出了潜在的研究方向。

本文研究了点云语义分割中的域自适应和测试时间自适应，通过引入领域转换和更新 BN 统计的方法，以及最大化信息和可靠性约束伪标签的方法，提高了分类准确率。在摄影测量到空中 LiDAR 的适应中，达到了59.46%的mIoU和85.97%的OA。

传统 GS 压缩方法的差距，本文首先提出了一种简单而有效的 GS 数据压缩锚称为基于图的 GS 压缩（GGSC）。其次，基于 GGSC，我们创建了一个 GS 质量评估数据集（GSQA），并分析了不同的 GS 失真特性基于平均意见得分（MOS），展示了不同属性失真对视觉质量的敏感性。

ClickFormer 是一种创新的交互式点云分割模型，能准确地分割物体和材质类别，通过全局查询采样策略来扩充点击查询，从而在不同的实例尺度上保持一致性性能，并通过其他网络结构改进进一步提高模型的分割性能。实验证明，ClickFormer 在室内和室外数据集上优于现有的交互式点云分割方法，在开放世界环境中提供了更准确的分割结果，且需要较少的用户点击。

本文介绍了一种针对3D目标检测的模型SWFormer，利用点云数据的稀疏性和桶技术处理不同长度的稀疏窗口，同时引入了新的体素扩散技术。实验结果表明，SWFormer在Waymo Open Dataset上取得了73.36 L2 mAPH的最新表现，同时更加高效。

我们提出了一种新颖的预训练方法，通过交叉注意机制生成不同姿势的视图图像，帮助3D主干更好地理解点云的几何结构和立体关系。实验证明该方法在提升性能方面具有优势，并在分类和分割任务中取得了最先进的性能。

本研究提出了一种新型表面重建框架，利用神经隐式表达、立体匹配和特征保持来精细化表示几何形状，提高了复杂场景拓扑的重建鲁棒性。实验结果显示该方法在广阔场景网格重建方面表现出色。

SegPoint是一个多模态大型语言模型，能够产生点级别的分割掩模来处理各种任务。实验结果显示SegPoint在基准测试中表现出竞争力，并在新的基准Instruct3D上表现卓越。SegPoint是第一个能够处理多样的分割任务并取得令人满意性能的模型。

本文提出了一种弱监督的语义分割方法，通过整体场景标注预测点云的点级标签，性能与全监督方法相当。核心思想是通过无监督聚类进行过分割，通过二分匹配将场景级标签与簇关联，仅将场景标签传递给相关簇。实验证明过分割和二分分配起关键作用。在ScanNet和S3DIS数据集上优于现有技术，可达到全监督方法的结果。

该研究提出了一种通用框架，用于处理各种类型的LiDAR，并使用稀疏焦点调制替代窗口注意力，以实现多层次上下文的提取和动态聚合。该方法在传统机械旋转LiDAR基准上表现出有竞争力的性能，并在混合固态LiDAR基准上取得了最先进的结果。在作者的混合固态LiDAR数据集上，该方法胜过了现有方法。