点云数据本身的数据规模存在极大的限制，目前主流的ModelNet40也就40个类别，就算组合了shapeNet，其数据量远远不能覆盖实际的样本空间，使得模型的泛化性收到了极大的限制。另外，由于点云属于三维数据，其表示形式自然要比文本和图像复杂，受到坐标系的限制会更大，对于姿态，尺度等更加敏感。这使得对于点云建立特征学习模型变得尤其困难。因此，面向点云的数据增强研究被提出。

基于注意力机制的深度学习模型在起初设计时，针对的是NLP问题。包括词元分析，翻译等语言处理任务，注意力机制能够训练超大规模数据，并建立学习模型，获得显著的性能提升。鉴于注意力机制在NLP任务中的空前成功，视觉领域也尝试引入注意力机制，著名工作包括VIT [1] 和Swin Transformer [2]。对于点云数据处理，一些基于Transformer模型 [3][4] 的工作也被提出。本文以文献 [3] 为基础，概述在点云数据处理任务中引入Point Transformer的具体思路。

随着Transformer模型在NLP，CV甚至CG领域的流行，注意力机制（Attention Mechanism）被越来越多的学者所注意，将其引入各种深度学习任务中，以提升性能。清华大学胡世民教授团队近期发表在CVM上的Attention综述 [1]，详细介绍了该领域相关研究的进展。对于点云应用，引入注意力机制，设计新的深度学习模型，自然是一个研究热点。本文以注意力机制为对象，概述其发展脉络，以及在点云应用领域的成功应用，为期望在该研究方向有所突破的同学，提供一点参考。

最近开始上手点云深度学习项目，相比之前纸上谈兵的阶段，此时我将把更多的精力放在代码学习和复现上。在新的学习阶段，就不能是看看论文，蜻蜓点水的配下别人的代码这么简单了。我将逐句分析代码功能，结合实际应用，来深入理解点云深度学习的项目该如何落地。作为点云深度学习的代表作，PointNet的经典程度不言而喻。我们就以PointNet的模板，来展开相关代码的实现，并完全复现PointNet的基本功能。对于那些零基础，计划入坑点云深度学习的同学，不妨看看。

最近做深度学习研究，发现在视觉任务中，使用多尺度特征建立对图像的特征描述，大概率能够得到好的结果。自然地，如果能把多尺度特征推广到点云分析的任务中，直观感觉应该也能够获得性能提升。正好最近researchgate推给我一篇论文[1]，就是基于该想法提出了一个网络实现。今天就来跟大家一起学习下这篇文章，看一看如何利用多尺度特征提升点云分析任务的性能。...

凡是对点云相关应用有些了解的同学，相信都接触过点云配准。配准相关的经典算法，包括ICP，NDT，FPFH，已被广泛应用于工业设计，定位，SLAM，自动驾驶等领域。尤其在SLAM和自动驾驶领域，随着家庭清扫机器人和电动汽车的普及，基于激光扫描技术的点云配准技术越发重要。可见点云配准及其相关研究的重要性。今天的点云深度学习系列博客为大家介绍一个用于点云配准深度网络：PCRNet [1]。

最近开始研究点云分析的相关项目，经过文献调研我发现，近几年比较热的方法，基本都是基于深度学习框架设计的。正好我计划在2022年切入点云深度学习这个研究方向，于是我决定创建一个博客专题，翻译和编辑一批具有代表性意义的点云深度学习研究报告，即方便为我自己的研究计划提供素材，又希望能够帮助到有需要的小伙伴参考与学习。如果你对这个专题感兴趣，希望能够关注我的博客，那将是对我创作的最大支持。