3D点云的深度学习网络分类（按照输入数据格式分类）

1. 基于体素（Voxel-based）的方法

将点云数据量化为规则的3D体素网格，并使用3D卷积神经网络（3D CNN）进行特征提取和学习。

• 代表模型：
  • VoxNet (2015)：早期基于体素的3D CNN模型。
  • 3D ShapeNets (2015)：使用深度置信网络（DBN）进行3D形状学习。
  • 3D U-Net (2017)：适用于3D医学图像和语义分割的U-Net变体。
  • SparseConvNet (2018)：优化稀疏3D CNN计算，提高计算效率。
  • MinkowskiNet (2019)：使用稀疏3D CNN进行高效计算。

✅ 优点： 可直接利用CNN的强大特征提取能力，适用于规则化结构。
❌ 缺点： 体素化会导致信息丢失，且计算开销较大，特别是高分辨率点云。

2. 基于点（Point-based）的方法

直接在点云上操作，避免体素化造成的信息损失，通常采用MLP（多层感知机）或自注意力机制进行特征提取。

• 代表模型：
  • PointNet (2017)：使用MLP对每个点进行特征提取，并用全局池化实现不变性。
  • PointNet++ (2017)：引入局部区域聚合，提高对不同尺度点云的建模能力。
  • DGCNN (2019)：基于动态邻域图卷积，对点的局部关系建模。
  • Point Transformer (2021)：基于Transformer架构进行点云特征提取。

✅ 优点： 无需网格化或体素化，直接处理原始点云，保留更多几何信息。
❌ 缺点： 计算复杂度较高，难以捕捉远程关系。

3. 基于图（Graph-based）的方法

将点云表示为图结构，使用图神经网络（GNN）进行学习，适用于非均匀密度的点云数据。

• 代表模型：
  • GCN (2016)：基础图卷积神经网络。
  • GAT (2017)：基于注意力机制的图神经网络。
  • DGCNN (2019)：结合KNN图构造动态邻域的图神经网络。
  • MP-GNN (2020)：多尺度图网络，提高对复杂拓扑结构的建模能力。

✅ 优点： 能够建模局部和全局拓扑信息，适用于稀疏和不规则点云数据。
❌ 缺点： 图的构造和计算复杂度较高。

4. 基于投影（Projection-based）的方法

将3D点云投影到2D平面（如深度图、鸟瞰图、多视角投影），然后使用2D CNN进行处理。

• 代表模型：
  • MVCNN (2015)：使用多个视角图像进行特征融合。
  • Frustum PointNet (2018)：结合2D目标检测进行3D目标识别。
  • BEV-Net (2020)：采用鸟瞰图（BEV, Bird’s Eye View）进行检测。

✅ 优点： 计算效率较高，能利用成熟的2D CNN架构。
❌ 缺点： 可能会丢失深度信息或导致遮挡问题。

5. 基于Transformer的方法

借鉴Transformer架构的自注意力机制，处理长距离依赖关系，提高点云理解能力。

• 代表模型：
  • Point Transformer (2021)：直接应用Transformer到点云。
  • PCT (Point Cloud Transformer, 2021)：改进Transformer用于点云处理。
  • PT (Point-BERT, 2022)：基于BERT的点云预训练模型。

✅ 优点： 具有强大的特征表达能力，能够建模全局信息。
❌ 缺点： 计算复杂度较高，需要优化以适应大规模点云数据。

总结