[1] Geometry Sharing Network for 3D Point Cloud Classification and Segmentation，AAAI2020
本文的创作团队是乔宇老师课题组，本文认为，虽然CNN对3D点云进行分类不是不可行，但旋转和平移等大型几何变换的性能仍然有问题。本文因此提出几何共享网络（GS-Net），该网络可以有效地学习具有整体上下文的点描述符，以增强对几何变换的鲁棒性。与CNN相比，GS-Net可以更全局的方式聚合点要素。GS-Net由几何相似性连接（GSC）模块组成，这些模块利用特征图将具有相似和相关几何信息的远点分组，并聚集来自欧氏空间和特征值空间中的近邻特征。这种设计使GS-Net可以有效地捕获局部和整体几何特征，例如对称性，曲率，凸性和连通性。
本文主结构由多层感知机构成，效果却非常好，在分类性能上针对旋转等集合变化有较大提升，在分割任务上也有不俗的提升。
可以考虑在后续的过程中，不仅仅满足于现有的生成任务，而是可以在GAN框架的输出之后链接类似本文这样的分类分割一体化结构，完成图像到分割好的3D模型的一步输出。
[2] Point2Node: Correlation Learning of Dynamic-Node for Point Cloud Feature Modeling，AAAI2020
本文认为，点云中点相关性对于它们的特征建模至关重要。本文因此提出了一种端到端图模型， Point2Node，用于表示给定的点云。Point2Node可以动态显示不同级别的所有图节点之间的相关性，并自适应地汇总学习到的特征。，首先，本文在一个高维节点图中将节点的相关性动态地与自身和其他节点集成以充分探索点之间的空间相关性以增强特征描述。其次，为了更有效地集成学习到的功能，本文设计了一种数据感知的门机制。
本文非常新颖的将任务聚焦在将点云数据转化为图节点上（而不是相反），定义了本地图的KNN聚合，非本地图的相关性计算，适应性特征聚合过程。
本文的思路也许也会在后续被用到以提升生成网络之外的框架的创新性。
[3] Morphing and Sampling Network for Dense Point Cloud Completion, AAAI2020
本文的应用场景是3D点云的补全，即从局部点云中推断出完整的几何形状。 为了获取高逼真度的密集点云并避免分布不均，细节模糊，本文提出了一种方法来分两个阶段完成部分点云。在第一阶段，方法会预测一个完整的但粗粒度的点云，并带有一组参数化的表面。然后，在第二阶段，它通过一种采样算法将粗粒度预测与输入点云合并。方法利用联合损失函数来指导点的分布。
本文和我们的框架有诸多相似之处，本文使用encoder结构提取模型特征，本文加入了resnet架构对多结构的相似特征进行提取。在常规VAE框架之后，模型又加入了第二阶段补全以对生成结构进行完善，这样的思想类似文本图像生成器stackGAN。
本文采用两个损失函数，与大多数论文不同，本文采用EMD距离，因为本文想获得总体更接近的分布特征。