在逆向工程中通过测量仪器得到的产品外观表面的点数据集合也称之为点云，通常使用三维坐标测量机所得到的点数量比较少，点与点的间距也比较大，叫稀疏点云；而使用三维激光扫描仪或照相式扫描仪得到的点云，点数量比较大并且比较密集，叫密集点云。

点云是指目标表面特性的点集合。

根据激光测量原理得到的点云，包括三维坐标（XYZ）和激光反射强度（Intensity）。

根据摄影测量原理得到的点云，包括三维坐标（XYZ）和颜色信息（RGB）。

结合激光测量和摄影测量原理得到点云，包括三维坐标（XYZ）、激光反射强度（Intensity）和颜色信息（RGB）。

在获取物体表面每个采样点的空间坐标后，得到的是一个点的集合，称之为“点云”(Point Cloud)。

点云的格式：; *.pts; *.asc ; *.dat; *.stl ;*.imw；*.xyz;

稀疏点云或密集点云都是逆向造型的基础，有不少专门的逆向软件能够进行点云的编辑和处理，比如imageware、geomagic、copycad和rapidform等等。

当一束或多束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成激光点云。

大规模点云的手动注释需要花费大量时间，并且在恶劣的现实世界场景中通常不可用。 受视觉和语言任务中预训练和微调范式取得巨大成功的启发，预训练是获得 3D 点云下游任务的可扩展模型的一种潜在解决方案。 因此，一些方法探索了一种新的自监督学习方法，称为混合和分离 (MD)，用于 3D 点云表示学习。 顾名思义，混合两个输入形状并要求模型学习将输入与混合形状分开。 利用这个重建任务作为自监督学习的借口优化目标。 有两个主要优点：与流行的图像数据集（例如 ImageNet）相比，点云数据集实际上很小。 混合过程可以提供更大的在线训练样本池；另一方面，解耦过程（Disentangle）促使模型挖掘几何先验知识，例如关键点。