砖图 该系统基于进行了一些调整，以减少内存并添加LoD。 一个重要的改进是该论文在GPU上对每个“砖”（8x8x8体素块）进行了一次分配。 代替使用指针，我们可以简单地使用索引到线性内存块中的索引。 当由于流系统而导致内存块填满时，我们只需将其大小增加一倍（分配更大的内存块并复制旧块）。 为了保持较小的索引并进一步改善数据局部性，我们将世界划分为每个超级块，每个超级块由16x16x16普通8x8x8砖块组成，这意味着最大索引值为4095（16x16x16），仅占用12位。 超级块的砖存储的标准大小为256 * 64字节，应该适合一块表面的砖（16x16）。 每次存储空间满时，我们将存储空间增加一倍，因此256-> 512-> 1024-> etc ... 当射线击到尚未加载到GPU上的砖块时，它将把请求添加到请求缓冲区中。 然后，CPU将把模块上载到GPU。 这样，由于光线不会穿透到超

为了进一步提高点云图像船舶分类方法的分类准确率,提出了一种基于三维卷积神经网络(3D CNN)的点云图像船舶分类方法。首先采用密度网格方法将点云图像转为体素网格图像,将体素网格图像作为3D CNN的输入对象;接着通过设计的6层3D CNN提取体素网格图像的高水平特征,捕捉结构信息;最后在输出层利用Softmax函数进行分类,得到最终的分类结果。实验结果表明,在自建的点云图像船舶数据集上,所提方法的分类准确率达到了96.14%,比3D ShapeNets方法和VoxNet方法分别提高了5.97%和2.46%。在悉尼城市目标数据集上,与现有一些方法相比,所提方法的分类准确率较高。这些结果均证明所提方法具有良好的分类性能。

体素（公制） Voxe（lmetric）是Unity3d的开源体素框架。 它是一个易于使用，易于扩展的体素游戏解决方案。 它目前处于Alpha状态，因此请期待重大更改和不完整的文档。 欢迎对该项目提供任何帮助。 随意创建请求请求，提问或提出新功能。 该项目是我的原始项目Voxe（ ）与Voxelmetric（ ）合并的结果。 它从两个方面都取得了最好的成绩-Voxe的性能和Voxelmetric的功能。 这个项目已经进行了很多工作，现在几乎不像以前的项目。 产品特点 世界管理 地形生成 使用洞穴和地标（例如树木）生成逼真的地形。 保存和加载 随时将更改保存并加载到整个世界。 无限地形

＃Miniblocks-Unity3d Miniblocks是一个Unity 3d块体素脚本。 #License MIT许可证，请参阅LICENSE文件。

pcl点云超体素聚类点云超体素化 超体素分割

支持Unity版本 2018.4.17或者更高 Voxel Play是一个基于多维数据集的程序化快速环境，外加一系列可加快游戏开发速度的工具。它利用高度优化的代码（包括GPU实例化，计算缓冲区和纹理阵列）来生成美丽，丰富，广阔的无限世界，可以通过多种方式对其进行自己设置和扩展。 可播放的演示：Windows 苹果电脑 Voxel Play为天空，地形，水，植被，物理，世界交互，UI，清单等提供了集成处理方案。 ***当前功能*** Voxel Play的目标是提供一个易于使用但功能强大且可扩展的基于规则的体素引擎，该引擎可填充世界的空地，同时允许您编辑任意数量的区域。 基于模板 -Voxel Play与可编写脚本的对象一起创立世界，生物群落，体素和模型定义。每个定义都是一组生成规则，再加上纹理和声音：一个世界由几个生物群落组成，这些生物群落对地形和植被（灌木丛，树木等）的类型和形状进行建模。 -在Unity编辑器中定义任意数量的世界，生物群落，模型和体素，并在运行时使用相同的界面以交互方式对世界进行建模（所做的任何修改都会保存）。

基于体素的形态学分析voxel-based morphometry (VBM)，将结构磁共振图像分割为灰质，白质，脑脊液

针对现有结构直线段提取方法存在的效率低下或准确程度不足等问题, 提出了一种基于体素生长的点云结构直线段高效提取方法。首先, 对点云进行体素化剖分与平面分割, 并以体素为单位进行邻域判断, 实现对结构直线段分布区域的筛选; 然后, 采用基于体素的区域生长对结构直线段的分布区域进行分割; 最后, 依据结构线段分布区域的范围以及其所在平面的数学方程实现其提取和优化, 并进行精度评定。进行了实验测试, 利用多组点云数据验证了本方法的有效性, 利用对比实验验证了本方法的精度和高效性。实验结果显示: 相比现有方法, 该方法在效率上提高了10倍以上, 在精度上提高了0.25倍左右, 证明提出的方法可以准确高效地得到较为理想的点云结构直线段提取结果。

针对室内复杂的非结构化环境和机器人动态变化的服务任务,提出基于快速识读码(QR code)技术的室内环境空间认知手段.在双目视觉获得深度信息的前提下,基于DSmT证据理论构建信息不确定数学模型,形成描述体素占有/空闲概率的三维栅格地图.在构建三维地图的同时,利用粘贴在大物品上的基于QR code技术的人工物标,为环境中的大物品添加语义标签,并基于大物品的尺寸更新对应的体素占空值,形成含大物品功能属性和归属关系描述的三维栅格语义地图.通过实验与其它信息融合算法进行对比,并对人工物标的识读准确性进行分析,证明该方法的有效性和可行性.

该代码主要对机载点云进行格网化组织处理，对车载与地基点云进行超体素组织处理；属于数据预处理，可以为后续构建八叉树、或者基于块为对象的处理奠定基础。具体的原理参考博客：https://blog.csdn.net/qq_32867925/article/details/125014954?spm=1001.2014.3001.5502