本文介绍了多种3D实例分割方法，包括生成形状提案网络（GSPN）和区域点网络（R-PointNet），以及基于Transformer的点云语义分割技术。研究通过几何理解和创新模型提高了分割性能，解决了几何变换和少样本学习问题，适用于机器人和自动驾驶等领域。

该文综述点云语义分割方法，涵盖PointNet++、PointCNN等模型及评估指标，重点介绍首个大规模城市建模基准Building3D数据集。该数据集包含爱沙尼亚16个城市超16万栋建筑的点云、网格和线框模型，覆盖998平方公里，面临类内差异大、数据不平衡和噪声等挑战。

该文综述了点云语义分割的多项研究，包括：QGPA模块结合自重建增强原型以应对类内差异与少样本；DCP框架利用自推理与并行解码器分割未见类；多源知识蒸馏提升难分类别；DAT模型以对抗策略实现无监督分割；DPCN用动态卷积改进少样本分割；点-体素蒸馏提升LiDAR分割精度。

本文综述了多项利用几何先验的三维视觉研究：零样本点云语义分割框架借助几何基元实现类别间知识迁移，在S3DIS、ScanNet、SemanticKITTI上提升hIoU；主动学习利用几何先验简化三维体数据标注；此外还有基于预训练2D模型的单点提示3D医学分割、半监督形状估计和自监督预训练等方法，均在分割、检测等任务上提升了性能与效率。