整理点云论文这件事，我断断续续干了有大半年。最后沉淀下来一个表格加一个笔记库，里面按任务分了十几个大类，收了将近四十篇有代表性的工作，从经典骨架到最新玩法都有。点云这个领域现在挺热闹，分类、分割、检测、配准、重建、补全、生成、自监督，每个任务都有自己的一票论文，但单任务的深度综述很多，跨任务的横向整理反而少见。所以我这份整理打算换个角度：把不同任务摆在同一个坐标系里看，问清楚每篇论文解决了什么问题、用什么手段解题、落在哪个数据集、能在什么指标上到多少。这样对新人来说是一张地图，对有经验的人来说是一份速查表。这篇文章就把这份整理的思路、任务脉络、论文取舍标准和复现踩坑一起分享出来，适合正在找论文切入点的初学者，也适合想快速摸清点云方法论的老手。
1. 点云任务的坐标系：我如何拆解“多个任务”
1.1 点云数据的本质决定了任务的划分
点云和图像最大的不同是：它不是规规矩矩排列在网格上的，而是空间中的一堆无序点。这导致任何任务都得先回答一个问题——怎么处理“无序性”。图像按像素坐标索引，点云却只能用坐标值本身。所以几乎所有点云方法都绕不开三件事：局部邻域构建（k近邻、球查询、体素网格化三选一）、特征聚合（max pooling、注意力、图卷积三选一），以及全局上下文建模（分层下采样、编码器-解码器二选一）。
理解了这一点，任务的划分就顺了。感知类任务——分类、分割、检测——本质上是“从点云里提取几何与语义特征”，区别只在输出粒度。分类输出一个全局标签，语义分割输出每个点的标签，实例分割还要区分同类的不同个体，检测则输出带朝向的3D包围框。对齐与重建类任务——配准、重建、补全——本质上是“利用几何约束恢复空间关系”，配准恢复两片点云之间的变换，重建把采集的点云变成曲面，补全在残缺点云上生成缺失部分。生成与预训练类任务则是另一个思路：生成研究“怎么从噪声创建新点云”，自监督预训练研究“怎么在没有标签时先学好点云结构”。
我按这个逻辑去读论文，会发现很多看起来毫不相干的工作，底层共享同一套组件。比如语义分割里的PointNet++编码器，换个输出头就能做分类；检测里的体素化特征，拿去做配准的初始匹配也不违和。这让我更坚定了“按任务拆解、再按组件串联”的整理方式。
1.2 40篇论文如何筛选：我的取舍标准
给自己定的筛选标准只有三条。第一，方法要有代表性，要么是某个子方向的开山之作，要么是在某个环节上做到极致、被大量后续工作引用的。第二，代码要相对可用，至少作者放出过官方实现或权重，方便复现和对照，否则论文读起来是一回事，跑起来是另一回事。第三，尽量覆盖不同粒度——既有轻量的高效方案，也有精度刷榜的复杂方案，不能让读者只看华丽的SOTA，不看能落地的方案。
按这个标准筛下来，最后落在表格里的论文大概四十篇，加上配套的数据集和工具会更多。我刻意没有追求“全”，因为点云领域每年新增的论文数量非常夸张，硬求全反而会让读者迷路。每篇论文我都记录五件事：一句话核心思想、输入输出、损失函数或关键训练技巧、数据集和指标、复现成本。表格里最不起眼但也最有用的就是“复现成本”这一列，它会写“环境好配、单卡可跑”或者“需要编译算子、显存需求高”，这能帮别人节省大量试错时间。
后续章节会把每个任务的脉络串起来讲，不追求把每篇论文嚼碎，重点说清楚“为什么选它”“它提出了什么”“它留下的坑是什么”。这不是教科书式的综述，更像是我在工位上整理出来的索引卡。
2. 感知类任务：从分类骨架到3D检测的工程化
2.1 点云分类：入门必刷的经典骨架
点云分类是最适合练手的任务，数据简单、模型收敛快、复现成本低，也是大多数点云方法的起点。
2.1.1 从PointNet到PointNet++：从无序到局部结构
如果是零基础切入点云，第一篇绕不开的就是PointNet。它的核心洞见非常朴素：点云无序，那就设计一个对称函数，把每个点都映射成一维特征，再取max得到全局特征。这个操作确实暴力，但也证明了不用卷积网格，点云也能直接学出语义。PointNet里还配了一个T-Net用来预测仿射变换矩阵，对输入和特征做旋转对齐，我在复现时发现它只在特定数据分布下有明显提升，普通分类任务上贡献有限，有时候还会把训练搞得不稳，所以很多改进版本会直接弱化它。
PointNet++补上了PointNet一直缺失的“局部结构”这堂课。它借鉴CNN的感受野思想，用最远点采样选关键点，用球查询把邻居点聚到局部区域，再逐层抽象，相当于先看小范围几何，再扩大范围看全局。这套分层结构是教科书级的，不过最远点采样在点数特别多时会成为性能瓶颈，工程落地时经常用体素下采样代替FPS的前几层，速度能快不少，精度损失不大。
指标方面，ModelNet40上PointNet大概89%、PointNet++能到91%左右，但ModelNet40是干净渲染出来的CAD模型，真实扫描的数据往往噪声大、物体不完整，所以现在大家更愿意看ScanObjectNN上的结果。同一套PointNet++到了 ScanObjectNN上可能直接掉到80%以下，这种“实验室指标”和“实际指标”的落差，从入门第一天就该有感知。
2.1.2 DGCNN、PointCNN与Transformer的接力
分类任务很快就不满足于单纯的分层聚合，大家开始琢磨点与点之间的关系。DGCNN的思路是用动态图卷积替代固定邻域，每一层都会根据特征重新计算邻居关系，边卷积捕捉的是点对之间的几何和语义差异。这个“动态更新邻域”的思想后来被很多分割、检测工作拿去做特征增强。
PointCNN走的是另一条路，它试图解决点云无法直接卷积的问题。思路是学一个X变换矩阵把局部点云“拉”成规则排列，再做普通卷积。这个方法在分类精度上很不错，但X变换矩阵本身有一点额外计算量，后来没有被大规模采用，不过它提供了一种“先对齐再卷积”的思路，和图像里的可变形卷积异曲同工。
再往后就是Transformer的全面入侵。Point Transformer把自注意力直接用在点特征上，用k近邻限制注意力范围，让每个点能和局部邻域里的其他点交互。它在分类、语义分割上都刷新过当时的纪录，训练成本也比想象中可控。我的实际体会是，这类方法的精度上限确实高，但对超参数更敏感，学习率稍微偏大就会出现震荡，需要比PointNet系方法多一点耐心调参。
2.1.3 PointMLP：回归简单的意外之喜
有一段时间大家都在堆模块，网络越叠越重，PointMLP反而是个冷静的声音。它基本不用复杂算子，就用多层感知机加残差连接硬怼，却在多个分类数据集上追平甚至超过了当时的Transformer方案。这件事给我的启发很大：有时候精度的提升不是来自更花哨的结构，而是来自更合适的归一化、更深层的非线性表达，以及更稳定的训练策略。PointMLP的代码结构也很干净，非常适合用来做后续改进的基线。
2.2 语义分割与实例分割：逐点标签之上的更细粒度
分类是整片点云一个标签，语义分割要落到每个点。在室内场景理解、自动驾驶语义标注、机器人操作中，分割甚至比检测更常用。
2.2.1 语义分割的落点主要在场景理解
语义分割的通用骨架和分类高度重合，区别在输出端换成了逐点分类头，配套的数据集也从单物体变成了整个场景。S3DIS和ScanNet几乎成了标准benchmark：S3DIS主要是室内房间的彩色点云，类别有大梁、墙壁、门、椅子等；ScanNet则是RGB-D扫描重建出的室内场景，数据更杂、遮挡更多、类别也更多。同一个模型在两个数据集上的名次经常不一样，就是因为数据难度和类别平衡差异很大。
具体方法上，KPConv是绕不开的一个节点。它设计了可学习的卷积核权重，通过球邻域内的点距加权，相当于在点云上做真正意义的“卷积”，而不只是共享的多层感知机。KPConv在语义分割上效果很稳，代码质量也高，但它的可变形卷积版本需要额外的邻域计算，训练时显存占用会明显上涨，跑之前得掂量一下显卡容量。Point Transformer这类注意力方法在ScanNet上也能拿到高分，但训练时间通常是KPConv的一到两倍，精度的提升未必总对得起成本。
实操中还要处理两个隐蔽问题：一是类别不平衡，室内场景里“墙”“地板”这类类别可能占一半以上，而“杂物”“白板”很少，损失函数必须做权重平衡或者用focal loss；二是点云密度不均，同一场景里近距离点密集、远距离点稀疏，直接喂模型会出现局部过拟合，常见做法是把场景切块再均匀采样，控制每个块的点数。
2.2.2 实例分割：从聚类到偏移学习
语义分割只回答“每个点是什么”，实例分割还要回答“这一个点属于第几个同类物体”。室内机器人和AR场景最需要这个。早期方法延续了图像Mask R-CNN的思路，先做语义分割，再做聚类把点分成一堆堆“候选块”，最后逐块分类。这个流程简单，但聚类阈值很难调：切太碎会把一个柜子拆成两半，切太粗会把两张相邻的桌子黏成一家。
PointGroup是实例分割里影响挺大的一个工作。它提出“聚类中心偏移”的思想，让每个点学习朝自己所属物体的几何中心移动一段距离，然后再聚类。因为偏移后的点天然就分得更开，聚类难度降低很多。HAIS在它的基础上进一步做了实例和语义的互相融合，SoftGroup则处理了“边缘点被错误划到其他实例”的情况。我复现时发现，这类方法最关键的训练技巧是偏移损失的权重，不能太大也不能太小，否则网络倾向把所有点推到一个角落，或者干脆不推，调试过程很像中医调药方。
2.3 3D目标检测：自动驾驶场景下的工程化王者
3D目标检测是点云任务里落地最充分的领域，没有之一。原因很简单：自动驾驶和机器人感知迫切需要在3D空间里定位物体，尤其是车辆和行人。
2.3.1 体素法与点法的路线之争
体素法的核心思路是先把稀疏点云划分成一个个有固定尺寸的小立方体，每个体素内做特征聚合，把点云转换成规则的3D特征图，然后用类似图像检测器的思路去处理。VoxelNet是这条路的里程碑，它把体素特征学习和区域提议网络塞在同一个框架里，端到端训练。但早期体素法的一个问题是速度太慢，于是SECOND用稀疏卷积替代密集的3D卷积，只计算非空体素，计算量立刻降了一个量级，这个设计基本奠定了后来工业级检测器的基座。
与体素法相对的是一类纯点法，直接在原始点上做set abstraction和自注意力，不损失几何信息。纯点法在小目标、远处目标上的精度上限高，但计算效率普遍没法跟稀疏卷积比，所以在自动驾驶量产场景里，体素法始终是主场。PointPillars是其中非常务实的一个：它不把体素做深，而是把点云压缩成“柱状”表达的鸟瞰图，用2D检测器处理，速度和精度都取得了很好的平衡。很多团队拿它当基线，不是因为上限多高，而是因为它简单、稳定、容易改。
2.3.2 单阶段与两阶段：精度和速度的拉扯
检测器里一直有两阶段和单阶段的争论，3D检测也不例外。两阶段结构通常是先快速提一堆候选框，再对框内点云做二次精修，精度高但流程重；单阶段则直接回归最终框，速度快但难处理遮挡和尺度差异。CenterPoint的思路很有意思，它把任务从“回归8个角点”改成了“预测物体中心点+中心点偏移”，在NU-DREAM数据集里绕开锚框的繁琐设计，同时拿下了不少SOTA。这类中心点范式后来被不少工作沿用，因为它天然避开了不同物体尺寸带来的锚框数量爆炸问题。
做检测复现时最头痛的其实不是网络，而是后处理和评测指标。3D mAP的计算要考虑IoU阈值和物体类别，不同阈值下的成绩完全不是一个概念；点云里的行人和自行车Box很小，一两米的定位误差就能让指标大幅波动，因此评测时同一模型用不同卡池和增强策略，成绩差两三个点是常事，做对比实验时必须严格固定随机种子和测试配置，否则结论不成立。
3. 配准、重建与补全：几何角度下的老派与新派
感知类任务在“识别”，几何类任务则在“恢复”。这部分内容在自动驾驶建图、工业逆向建模和AR定位里特别实用。
3.1 点云配准：经典ICP为什么至今没被淘汰
配准的任务是求两片点云之间的刚体变换矩阵，让它们对齐。ICP是几十年前的老算法，至今仍在产线上用。它的思路很直接：每次迭代都找最近点作为对应关系，算变换，再重新找对应，反复收敛。这个框架简单可靠，但有两个硬伤——必须有一个不错的初始位姿，否则容易掉进局部最优；对噪声和异常点不敏感。
我实际跑数据时会用一套组合拳：先体素降采样减少点数，计算FPFH特征用RANSAC粗匹配一个大致的初始变换，把两块点云转到差不多的位置，再用点对面方式的ICP精配准。这套流程纯CPU就能跑，速度很快，精度也足够。用力学分析的话，点对面版本比点到点版本收敛更顺，因为它在目标点局部拟合了一个平面，约束方向更合理。对实时性要求高的情况，NDT（正态分布变换）比ICP更稳，它把空间网格化后统计每个方格内点的分布，匹配时可以跳过最近邻搜索，速度上有明显优势。
3.2 学习式配准的两种思路：回归位姿与寻找对应
深度学习进场后，配准分成了两大门派。一派是直接回归位姿，比如PointNetLK把点云特征提取网络和迭代优化框架结合，用特征空间的误差反向求解变换，继承了经典LK配准的思路，速度比传统ICP快，但对初始位姿的要求并没有降低多少。另一派是学习对应点，代表方法是先通过特征匹配找出两片点云之间的软对应关系，再用SVD求变换。这个流派的关键在注意力机制的引入，让两个点集的特征在匹配时互相感知，极大提升了在大位姿差、部分重叠场景下的配准成功率。
我在实验中发现，学习式配准最怕的是训练数据分布和真实场景差别太大。很多公开数据集都是合成干净点云，真实激光雷达扫描有遮挡、射穿玻璃、运动畸变，导致模型在仿真集上分数很高、实测却很飘。所以做工程时我的底线是：无论用什么深度模型，前面必须保留一个经典粗配准兜底，至少保证最坏情况不会崩。
3.3 从残缺到完整：补全任务与重建任务的异同
重建和补全容易混，其实思路反着。重建是手持扫描仪或者多视角照片复原出某一物体或场景的完整Mesh，常用的Poisson重建和Ball Pivoting偏向几何拟合，数据密度均匀时效果不错，有洞会露馅。补全更像“想象”，只给一个车厢侧面、一把残缺的椅子，得知道整体形状应该长什么样。
补全早期的PCN用编码器把残缺点云压成全局隐向量，再通过折叠操作生成完整点云。折叠操作是典型的从低维到高维映射，结构简单，但生成的形状往往过度平滑，细节丢失。后来PCT用Transformer把局部和全局特征融合，生成质量明显提高。再后来PoinTr把补全建模成套壳问题，先用Transformer预测缺失点的位置，再预测整个形状。补全模型的损失函数一般是倒角距离和Earth Mover距离的组合。
做补全数据处理时最常见的坑是把“可见部分”和“真值完整形状”的来源搞混。现在业界标准做法之一是：从完整Mesh上随机渲染部分视角，采样出残缺点云作为输入，完整点云作为真值。这样获得的训练数据能覆盖不同遮挡程度，模型才不会只学会一种不变形。
4. 生成式与自监督：数据稀缺时代的思路变局
点云标注非常贵，一帧自动驾驶点云的人工标注要花不少时间，所以怎么利用无标签数据、怎么生成更多训练样本，成了越来越受关注的方向。
4.1 点云生成：从隐空间到扩散模型
早期生成模型沿袭了图像GAN的思路，生成器从噪声向量解码出点云，判别器判断真假。问题在于点云是无序集合，生成出的点怎么和真实点一一对应？所以很多研究者改用了“从点云到标准分布”的距离度量，倒角距离和EMD才逐渐成了标配。
PointFlow提出用连续归一化流建模点云的生成过程，把每个点看成从高斯分布经过一系列可逆变换得到的样本，生成的多样性比GAN好一些。真正让生成效果上台阶的是扩散模型。它先给点云逐步加噪声直到变成随机分布，再学一个网络逐步去噪。早期的点云扩散模型直接在小尺度物体生成上表现出了很强的细节恢复能力，后来也被拿去补全和预训练。我最直接的体会是，扩散模型的采样过程非常慢，生成几千个点要反复迭代几十步，训练时显存需求也大，不适合做交互式工具，但做数据增强和质量上限探索很有价值。
我建议想入这个方向的同学先把评价指标搞清楚：只看倒角距离会有误导性，因为它对密度分布不敏感，一个过于集中但贴合表面的点集也能拿到很低的CD。EMD更严格，但计算代价高。再用FPD或者1-NN分类器做分布级评测，基本就能看出生成结果有没有模式坍塌。
4.2 自监督预训练：几何信号是最好的标注
自然语言处理那边“预训练+微调”早就成了标配，3D视觉这边也在快步跟进。自监督的核心是构造不依赖人工标签的代理任务，让网络先学出通用的点云几何表征。
点云密度分布天然适合做掩码重建。操作是：把点云划分成一组组块，随机遮挡一部分块，训练网络从可见块还原被遮块。这是Point-MAE的核心思路，它用一个Transformer编码器处理可见块，再接一个轻量解码器重建被遮块，之后只需要少量的微调就能在下游分类、分割任务上拿到很好的成绩。Point-BERT走的思路也很像，它引入了带掩码的预训练和离散Token重构，让模型学会更结构化的点云语义。另外还有对比学习路线，同一物体的不同视角点云在特征空间里要接近，不同物体的要远离，PointContrast是这类思路的早期代表。
这类方法在数据极其昂贵或标签很少的时候性价比很高，但也要明白它的局限：预训练是在某个数据集上做的，如果下游任务的数据分布形同陌路——比如预训练全是室内物体，任务却是激光雷达街道扫描——那预训练收益会立刻缩水。做实验前先可视化一下两种点云数据的尺度和密度差异非常必要。
4.3 跨任务模型：一条骨干走到底的野心
随着Transformer和稀疏卷积在点云上的普及，一个统一的骨干网络去处理分类、分割、检测、配准、补全甚至生成已经成为现实的方向。和图像领域的一统做法类似，点云的统一模型也要解决两个问题：输入表示是否统一，输出头能否根据不同任务切换。有的工作用分层的体素-点注意力统一了室内外场景的特征提取，有的工作用一个大模型在多个任务上联合预训练，共享多数参数。
我把这些统一模型放在整理清单的最后一块，不是因为它最不重要，而是因为它最依赖前序任务的知识积累。读懂跨任务工作，需要对每个下游任务都有基本感觉，知道它们各自的损失函数和数据格式长什么样。目前这类模型还处在“能跑、能涨点、但未必比专用模型香”的阶段，但方向很明确：点云领域正在从“一个任务一套模型”走向“一个底座多个头”。
5. 论文整理的实操方法：阅读、笔记与复现
前面说的都是任务脉络，这部分是更私人的方法论。读论文和用论文是两件完全不同的事。
5.1 新手阅读顺序与代码上手顺序
如果只求速通，我强烈建议按下面的顺序读：
分类方向从PointNet到PointNet++再到DGCNN，最后看Point Transformer。理由是：先理解怎么写一个最简单的点云网络，再理解局部邻域怎么构建，再看图卷积怎么做，最后理解注意力怎么在点云上应用，知识是逐层叠加的。
分割方向先读语义分割，再读实例分割，代表方法从KPConv到PointGroup。检测方向从PointPillars入手，因为代码最简单，用它掌握体素化流程，再回看SECOND的稀疏卷积，最后看CenterPoint。配准方向先跑经典ICP，再看一遍RANSAC粗配准，然后再啃PointNetLK或PREDATOR，不然你根本没法理解深度学习在配准里到底替代了什么。
代码上手的诀窍是：不要一上来就啃全工程。把仓库下载下来，先跑一次默认的demo，看到点云可视化结果，再倒着读代码——从输出头读回输入数据，会比顺着读代码容易得多。点云数据是三维的，可视化是理解结构的最好老师。
5.2 我的论文笔记模板：四要素抓重点
很多人读论文喜欢从头抄到尾，抄完等于没读。我给自己定了一个四要素模板，每篇论文不超过一页笔记。
第一，一句话核心思想，必须能对没读过的人讲明白。第二，输入输出和数据集，写清楚输入是几千个点还是几万个点，输出是分类概率还是包围框，跑的是哪个数据集。第三，损失函数和关键训练技巧，尤其是那些论文正文不起眼、但其实决定成败的细节，比如是否用了随机点增强、是否用了类别权重、是否用了两阶段训练。第四，复现成本和我的评价，包括是否单卡可跑、是否需要编译算子、实测指标和论文指标差距有多大。
这套模板最值钱的是第四点，因为很多论文代码和论文描述不完全一致，实测下来才发现“这里其实要两卡”“这里后处理偷偷加了两步”。这些信息论文里永远不会写，只有跑过的人才清楚。
5.3 复现实验踩过的坑与避坑方案
复现点云论文，我踩过的坑能排出一长串。最常见的四个，按杀伤力排序：
第一是环境配置问题。很多仓库是多年前写的，依赖的PyTorch版本和CUDA版本和现在的新卡不兼容。我的习惯是给每个项目单独建一个虚拟环境，记录python、pytorch、CUDA的精确版本，绝不用一个环境跑所有仓库。
第二是自定义算子编译失败。像稀疏卷积、C++的ball query算子都需要额外编译，编译失败多半是CUDA路径设置不对，或者显卡架构不在编译列表中。遇到这类问题，先看Issues里有没有人提过同样的报错，再看编译日志是不是PowerPC架构匹配问题，实在不行退到官方提供的Docker镜像。
第三是数据集下载和预处理不一致。不同仓库对原始数据的清洗方式不同，有的统一到固定点数，有的用了test-time增强，最后指标差异有两三个点，这不一定是你复现错了，很可能是数据预处理不同。我踩过一次很大的坑：两个仓库用同一个数据集，但一个把点云归一化到单位球，一个没有，直接导致指标差出四个点。
第四是随机种子和评测方式。做对比实验时必须固定所有随机种子，关掉多线程的随机性，否则实验结果无法复现。最好再确认评测时是否使用了投票策略或多尺度增强，很多高分论文的指标其实包含了这些额外技巧。
6. 点云任务常见问题速查表
6.1 任务选择与数据集常见误区
任务方向怎么选，其实是很多新人的初始困惑，这里直接给一个经验表：
先说分类，适合练手和验证新模块，但就业和研究空间相对有限。语义分割室内场景用S3DIS/ScanNet是标准动作，室外场景还有更多选择。实例分割适合机器人操作和AR，研究空间充足。检测是最工程化的方向，需求量最大，要注意的坑也多。配准和重建偏几何，算法底子好的话会很占优势。生成和自监督是论文高产方向，但要砸时间调参。
数据集方面很多同学会犯同一个错：只知道在一个数据集上刷分数，不分析数据分布。同一个方法在干净CAD数据和扫描数据上性能可能天差地别，选择数据集时要问自己：我的目标应用是真实场景还是合成数据？是想证明方法上限还是解决实际问题？这个问题想不清楚，后头所有结论都站不稳。
6.2 复现指标对不上的排查清单
复现时指标对不上，按下面顺序排查：一看数据预处理，点云采样点数、坐标范围、是否做了归一化；二看训练配置，学习率、学习率衰减策略、优化器动量是否和论文一致；三看损失函数，类别权重、空体素忽略、回归损失到底用哪个距离；四看评测代码，mAP的IoU阈值、3D NMS的后处理参数是否一致；最后再看随机种子和数据增强，投票策略和多尺度增强是否只加在测试阶段。
我调试过的最诡异的案例，是同一份代码只因为随机种子不同，最终指标差了1.5个点。后来我把所有影响随机性的地方（数据加载、dropout、多线程采样）全部固定，终于稳定下来。做研究卡指标的时候，宁可我常“怀疑人生”也不要甩锅给代码，先检查评测一致性和随机项，再去找网络结构的问题。
6.3 论文演进路线与选题建议
读完几十篇论文之后再看领域，整个脉络就非常清晰了。早期方法在解决基本的数据表示问题，中间方法在堆精度，现在的方法则在拼效率和多任务通用性。新人选题可以考虑这么几个方向：一是“更强”—把某个成熟任务的精度上限再推高一点；二是“更快”—把现有方法做轻，进入手机和嵌入式设备；三是“更稳”—解决真实场景标注稀少的鲁棒性问题；四是“更通用”—一个模型同时吃下多个点云任务。
我个人最看好的是“更稳”和“更通用”这两条路，因为它们不依赖某一个具体网络改来改去，而是需要真正理解点云任务的共性。比如自监督预训练和统一骨干，就是在挖数据效率的红利，这是未来两三年内最可能让点云真正落地的方向之一。
这份整理做到这里，我最真实的体会是：最大收获不是记住了多少方法，而是发现任务之间的共性。几乎每个点云任务都逃不开局部邻域构建、特征聚合、全局上下文建模，以及损失函数的精心设计，把这条主线抓住，读新论文的速度会快很多。如果你也打算做一份类似的整理，我的建议是从一个小任务集开始，每篇论文都要实际跑通或至少看懂代码，再谈扩展。这个整理的表格我会持续更新，网络上的新论文层出不穷，真正值得留下的永远是那些能解释清楚“为什么有效”的工作，而不是单纯刷榜的数字。下次再更新时，我打算把实例分割和配准方向的最近进展再加一轮横向对比，也欢迎你也踩进来一起整理。
