该文综述点云深度学习研究进展，涵盖领域自适应3D检测框架与注意力重加权模块（在KITTI基准上提升性能）、Semantic3D数据集与ScanObjectNN分类基准、数据缺失冗余处理、图神经网络不变性、安全鲁棒性基准、VPC-Net车辆点云合成、人脸伪装数据增强、PointNet统一架构，以及无监督域自适应分类的实现。

该文综述点云深度学习研究进展，涵盖表面重建、点云上采样与局部形状估计。Points2Surf结合局部深度与全局粗略信息提升重建精度，误差降低30%以上；PC²-PU利用点与补丁关联实现稳健上采样；另有方法通过点云卷积与学习插值生成精细细节。PCPNet基于patch学习估计法线和曲率，抗噪性强。整体表明深度网络在泛化能力、细节保真和复杂场景重建上优于传统方法。

本文综述了点云深度学习的研究进展，涵盖基于局部图表示的三维不变特征学习、密度不变特征提取、几何感知自训练、多模态对比无监督域适应、单域泛化多任务三维检测、旋转不变局部到全局表示、因果启发不变图学习、纯旋转不变低层表示及自动驾驶语义分割域适应等方法，在分类、分割、检测和配准任务上取得领先性能。