1. 3D目標檢測（Object Detection）

用于在點云中識別和定位目標，輸出3D邊界框（Bounding Box）。

🔹 方法類別：

• 單階段（Single-stage）：直接預測3D目標位置，速度快但精度較低。
• 雙階段（Two-stage）：先生成候選區域，再進行精細分類，精度高但計算量大。

🔹 代表模型：

• VoxelNet (2018)：將點云轉換為體素，使用3D CNN進行檢測。
• PointRCNN (2019)：基于PointNet++，使用Region Proposal生成3D候選框。
• PV-RCNN (2020)：結合體素和點特征，改進目標定位精度。
• VoteNet (2019)：基于Hough Voting，將點投票給目標中心。
• CenterPoint (2021)：基于BEV（鳥瞰圖）的方法，適用于自動駕駛。

? 適用場景：

• 自動駕駛（識別車輛、行人、障礙物）
• 機器人導航（目標檢測）
• 農業（檢測果實、樹木）

---

2. 3D語義分割（Semantic Segmentation）

用于為每個點分配類別標簽，適用于場景理解。

🔹 方法類別：

• 體素化（Voxel-based）：如 MinkowskiNet、SparseConvNet。
• 基于點（Point-based）：如 PointNet++、Point Transformer。
• 基于圖（Graph-based）：如 GCN、DGCNN。

🔹 代表模型：

• PointNet (2017)：直接處理點云，適用于簡單結構。
• PointNet++ (2017)：引入局部鄰域聚合，提高細節捕捉能力。
• RandLA-Net (2020)：使用隨機點采樣，提高計算效率。
• KPConv (2019)：使用可變形卷積處理點云，提高表達能力。
• Point Transformer (2021)：基于Transformer，提高長距離依賴建模能力。

? 適用場景：

• 室內場景理解（如 S3DIS 數據集）
• 地形和城市建模（如 Semantic3D）
• 果樹、植物點云分割（如蘋果樹枝、葉片、果實）

---

3. 3D實例分割（Instance Segmentation）

用于區分不同個體的點云，即同類別不同實例要區分開，例如不同的樹枝或不同的果實。

🔹 代表模型：

• SGPN (2018)：基于PointNet的端到端實例分割方法。
• 3D-MPA (2020)：結合多尺度特征學習進行實例分割。
• PointGroup (2020)：利用點的聚合特性，提高實例分割精度。
• DyCo3D (2021)：動態卷積提升實例分割能力。

? 適用場景：

• 自動駕駛（分割不同車輛/行人）
• 工業檢測（區分不同零件）
• 果樹點云（區分不同樹枝或果實）

---

4. 3D關鍵點檢測（Keypoint Detection）

用于檢測點云中的重要特征點，例如物體的邊緣、拐角、接觸點等。

🔹 代表模型：

• Harris3D (1999)：經典的3D關鍵點檢測算法。
• ISS Keypoint (2009)：基于點密度穩定性檢測關鍵點。
• KPConv (2019)：結合可變形卷積進行關鍵點檢測。
• SuperPoint3D (2021)：基于深度學習的端到端關鍵點檢測方法。

? 適用場景：

• 3D物體識別（如機器人抓取）
• 3D配準（點云拼接）
• 果樹修剪（檢測關鍵生長點）

---

5. 3D配準（Registration）

用于對齊不同視角或不同時間采集的點云數據，適用于3D重建和變化檢測。

🔹 方法類別：

• 基于ICP（迭代最近點）：如 ICP、Go-ICP。
• 基于特征匹配：如 FPFH、SHOT。
• 基于深度學習：如 DCP、PRNet。

🔹 代表模型：

• ICP (1992)：最經典的點云配準方法，計算最近鄰并迭代優化。
• Go-ICP (2014)：改進ICP，提高配準精度。
• DCP (Deep Closest Point, 2019)：使用深度學習進行點云配準。
• FMR (Feature Matching Registration, 2020)：基于特征匹配進行3D點云對齊。

? 適用場景：

• 多視角點云合并（如無人機+地面激光掃描融合）
• 變化檢測（如修剪前后點云對比）
• 醫學圖像配準

---

6. 3D重建（Reconstruction）

用于從點云中生成完整的3D模型，適用于缺失數據補全。

🔹 代表模型：

• Poisson Surface Reconstruction (PSR, 2006)：基于泊松方程的曲面重建方法。
• AtlasNet (2018)：基于深度學習的3D形狀重建。
• DeepSDF (2019)：使用隱式表面表示重建3D結構。
• NeRF (2020)：基于神經輻射場的3D重建方法。

? 適用場景：

• 文化遺產保護（3D掃描文物重建）
• 醫學建模（如骨骼3D重建）
• 農業（完整果樹結構重建）

---

總結：作用分類與代表模型

任務類別	用途	代表模型
目標檢測	檢測目標，輸出3D框	PointRCNN, PV-RCNN, VoteNet
語義分割	給每個點分類	PointNet++, KPConv, Point Transformer
實例分割	區分不同實例	SGPN, 3D-MPA, PointGroup
關鍵點檢測	檢測重要特征點	ISS Keypoint, KPConv, SuperPoint3D
點云配準	3D點云對齊	ICP, DCP, FMR
3D重建	生成完整3D模型	Poisson, DeepSDF, NeRF