##降采样方法：FPS
核心操作：找一些点，使得这些点的距离越远越好。
什么意思呢？ 如下所示：
先找一个点（已标红），如何算剩下的黑点中离红点最远的点再标红，往后就是算剩下的黑点离两个红点都远的点。往后就是挑跟已知的点最远的点继续标红。
那这个方法有什么用呢？
可以把一些密度非常大的点给去掉一些点，比如有一个区域有好多密的点，但在其他区域点比较稀疏，所以这时候需要去掉一些地方。
最常用的地方是深度学习。
##降采样方法：NSS
法向量上面的降采样。
为什么需要这个呢？
先看以下这幅示意图
如果是一条非常密集的点，如上图的红色的，虽然看起来是一条线，但实际上是很密的点。
然后还有绿色的很密集的点，绿色那条线。
就是如果我想要红色和绿色两条线对齐起来，也就是要算两条线的旋转平移矩阵。
我不想要这么多点，我只需要降采样一些点即可。
如果我只是平均地做voxel grid 的话，可能会漏掉勾勾。
这个方法（NSS）就会把采样的重心放到这些不同的法向量中。
具体操作方法：
①先在法向量的空间上建很多个容器，比如在几点钟方向有一个容器。把空间分成很多在法向量上的格子。
②然后把所有的点丢进容器里，根据法向量丢
③选同等数量的点丢进容器。
##Learning to sample
思路：输入A的点，中间经过一个神经网络，输出一些降采样之后的点。这时候的意思就是用神经网络替代我们的函数
再输进去一个分类网络，得出标签。降采样的点会放在一些有特征性的点。不是通过几何的关系来找降采样的点。
后来加了一个基于几何的约束。
