该论文提出了一种针对预训练的 3D 点云模型的鲁棒微调方法，以增强下游微调模型中的特征鲁棒性。通过权重空间集成和线性探测相结合的方法，该方法显著提高了下游微调模型在分布变化情况下的性能，同时在目标分布上保持高性能，以提高特征鲁棒性。将这种鲁棒微调方法应用于主流的 3D 点云预训练模型，并评估模型参数的质量和下游任务性能的降低。实验结果表明，WiSE-FT-LP 方法有效提升了模型的鲁棒性，有效平衡了下游任务性能和模型特征的鲁棒性，而不改变模型结构。

近期在点云领域中自监督学习方面的最新进展表现出显著的潜力。然而，这些方法常常面临一些问题，包括长时间的预训练时间、对输入空间的重构以及需要额外的模态。为了解决这些问题，我们介绍了一种专门针对点云数据设计的联合嵌入预测架构 ——Point-JEPA。为此，我们引入了一种排序器，它能够对点云标记进行排序，以在目标和上下文选择期间高效计算和利用标记的接近性。排序器还允许在上下文和目标选择之间共享标记的接近性计算，从而进一步提高效率。在实验证明，我们的方法在避免了对输入空间进行重构或使用额外模态的同时，取得了与最先进的方法相竞争的结果。

通过点云补全技术完成对不完整数据的处理，建立新的真实世界基准 Building-PCC 数据集来评估现有深度学习方法在城市建筑点云补全任务中的性能，并通过对不同方法的综合评估，分析在建筑点云补全中面临的关键挑战，旨在促进 3D 地理信息应用领域的创新。

通过引入局部几何特征提取机制和双向状态空间模型（bi-SSM），Mamba3D 模型在点云学习中取得了超过 Transformer 的卓越性能、高效性和可扩展性，在多个任务中超越同类模型和并行研究，包括在 ScanObjectNN 任务中从头开始的 92.6% 综合准确性和在 ModelNet40 分类任务中基于单模态预训练达到 95.1% 的准确性，并且具有线性复杂度。

CloudFort 是一种新颖的防御机制，通过空间分割和集成预测技术，有效缓解了后门触发的影响，增强了三维点云分类器对后门攻击的鲁棒性，同时不影响其在干净数据上的准确性，从而为实际应用中基于点云的系统的可信性和可靠性迈出了重要的一步。

本篇综述调查了基于深度学习的点云配准技术，包括数据集和评估指标，对现有的研究进行了分类，并提出未来研究的挑战和方向。

CLIP-GS integrates semantics from Contrastive Language-Image Pre-Training (CLIP) into Gaussian Splatting, utilizing Semantic Attribute Compactness (SAC) and 3D Coherent Self-training (3DCS), achieving improved segmentation results with real-time rendering speed.

通過立體視覺測距法估計結構，並利用新的雙重距離矩陣序列匹配方法，提出了在有限視野下進行對立觀點的視覺地點識別方法，並在公開數據集上進行了評估，證明了其在對立觀點情況下相對其他方法具有顯著的改進，同時在類似觀點情況下也表現出競爭性能。

在 LiDAR 数据中，遮挡对点云帧对齐造成了困扰，而现有的场景流模型主要在无遮挡的数据集上测试，未能充分解决这一挑战。为了应对这些问题，我们提出了一个新的方法 ——Correlation Matrix Upsampling Flownet (CMU-Flownet)，该方法在代价体积层中引入了一个遮挡估计模块，并在其中引入了一个遮挡感知的代价体积机制 (OCV)。通过实验证明，CMU-Flownet 在遮挡的 Flyingthings3D 和 KITTY 数据集上取得了最先进的性能，超过了以往方法在大多数评估指标上的表现。