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。

该研究提出了一种新方法，通过热方法从无方向点云计算神经有符号距离场（SDF），有效解决了传统方法在Eikonal方程中的挑战。该方法分为两步：首先计算热流的时间步，然后拟合SDF梯度，实现在不同点云密度下的高精度重建，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。

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。