本文提出了一种高效而健壮的技术，实现了 3D 室内场景的即时密集语义分割和重建，该方法基于高效的超体素聚类方法和来自结构和对象线索的高阶约束的条件随机场，无需预先计算即可进行渐进式密集语义分割。通过对 SceneNN 和 ScanNet 数据集中的不同室内场景进行广泛评估，证明了该技术在定性和定量实验中始终能够产生最先进的分割结果。

Apr, 2018

使用 3D 神经场联合表示几何、颜色和语义，通过手持 RGB-D 传感器实时重建场景，实现无需训练数据的点云场景的稠密标注，其表现优于训练集大、标注成本高的图像分割标准方法，并可以通过用户定义实时更新的语义类进行开设方式标注。该模型为多层感知器，可实时从头开始学习场景的神经表示，能够在实时更新和可视化场景模型的同时比常规方法更加高效地标注。可以通过只点击多个点标注准确的 10 个以上语义类别的房间或类似场景，定量标注精度的提高取决于点击次数，且迅速超越标准预先训练的语义分割方法。此外，我们还展示了一种分层标注变体。

Nov, 2021

提出了一种基于 2D 和 3D SLAM 网络结合的实时语义地图方法，通过重新投影及渲染后进行特征融合，以及一种利用表面法线的几何分割方法来整合 3D 语义元素，并使用新型的神经网络进行轻量级的语义地图后处理，实现了在不同深度感应器方面的性能表现和交叉传感器通用性方面的优化。

Jun, 2023

本文提出了一种名为 SPNet 的新型语义传递框架，它使用丰富的上下文绘制来提高现有基于 lidar 的 3D 检测模型的性能，通过知识传递模块在不同的粒度上指导纯 lidar 网络学习经过语义渲染的表示，可以与大多数现有的 3D 检测框架无缝协作，在 KITTI 测试基准上甚至实现了新的 3D 检测性能最佳水平。

Jul, 2022

提出了一种语义引导的有效的神经网络模型，利用二级绘画过程来区分前景和背景笔画方法，并通过使用领域定位和空间转换器网络来保证前景对象的位置和比例不变，最后通过最大化基于感兴趣对象的导引反向传播来放大感兴趣对象的差异特征，从而实现了对前景对象属性变化的处理，能够在多前景对象的真实世界和虚拟场景中产生高质量的图像。

Nov, 2020

我们提出了一个新的框架，利用姿态化的 RGB-D 测量和 2D 语义标签作为输入，进行语义目标的主动重建，实现对感兴趣目标的自适应视角规划，从而在网格和新视角渲染质量方面实现更好的重建性能，超过不考虑语义的隐式重建基线和基于显式地图的最先进的语义目标主动重建流水线。

Mar, 2024

本文介绍了一种语言引导的 3D 室内场景语义风格转移的方法，基于多层感知机，视觉语言模型，采用渲染和修正的方式实现创新，通过 ScanNet 数据集测试表明，语义信息的引入显著提高了风格转移的品质和用户评分。

Aug, 2022

通过与现有的语义分割网络相无缝集成且无需离线重新训练，本文提出了一种名为 InterPCSeg 的用于点云语义分割的交互式框架，该框架能够通过用户纠正点击在线进行点云的高质量语义标注，并通过设计一个稳定能量来调节测试时训练过程，以解决稀疏监督引起的不稳定性，实验证明该框架在与用户交互时能够有效地改进语义分割结果。

Mar, 2024

本文介绍一种通过 2D 和 3D 信息交互的方式，构建一个鲁棒性强且方便使用的注释工具，以有效及方便地对大量 3D 场景数据进行分割和注释，并提供一份使用该工具注释的数据集。

Oct, 2016

提出一种基于 RGBD 重建和语义分割的机器人操作主动理解未知室内场景的新方法，利用离线估计的离散视野分数场来驱动机器人的勘探扫描，结合基于体素的实时语义标注，优化遍历路径和相机轨迹，从而实现高效准确的在线场景解析。

Jun, 2019