本文提出了一种基于 2D 图像标注来训练 3D 语义分割模型的方法，使用多视角融合来生成伪标签，并解决了选择可信的伪标签、较少目标分类、在训练过程中如何脱离 2D 图像等问题。实验结果表明，所提出的 2D3DNet 网络在一个新的城市数据集上的表现显著优于基线方法。

Oct, 2021

本研究提出了一种新的 3D 到 2D 标签转换方法 - Panoptic NeRF 用于语义分割和实例分割任务，它利用了现有数据集中 2D 语义线索和粗糙 3D 标注信息的统一，实现了多视角一致的二维标签生成，可以提高多视角下的几何语义渲染准确性，消除粗糙 3D 标注的标签歧义和 2D 语义标注的噪声，与其他标签转移方法相比，在 KITTI-360 数据集的城市场景中，Panoptic NeRF 在准确度和多视角一致性方面表现更好。

Mar, 2022

本文研究在自动驾驶应用中对动态场景中的 3D LiDAR 数据进行语义分割。通过使用 3D LiDAR 数据，构建了一个包括范围图像分割、样本生成、数据关联、跟踪级别注释和半监督学习等方面的语义分割系统，使用半监督学习并结合约束数据和少量标注数据对 CNN 分类器进行训练，设计了一种特殊的损失函数，其中鼓励将约束数据分配到同一语义类别。实验表明，少量标注和大量约束数据的组合显著提高了该方法的有效性和场景适应性，效果比以往的方法提高了 10% 以上。

Sep, 2018

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

该文介绍了一个大规模室内空间数据集，其中包含 2D、2.5D 和 3D 接口的多种相互注册的模态，并具有实例级别的语义和几何注释。该数据集使得可以开发联合和跨模态学习模型，以及可能利用大规模室内空间中存在的规律性的无监督方法。

Feb, 2017

本文介绍了一个由三个英国城市中 7.6 平方公里的城市景观组成的大规模城市照相测量点云数据集，其中每个 3D 点都被标记为 13 个语义类别之一，并通过基于现有算法的综合分析来识别了几个关键问题。

Sep, 2020

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

利用虚拟现实技术开发的 Shooting Labels 标注工具，可以快速标注大规模环境的 3D 语义分割数据，同时可以集成多用户标注并计算标签的不确定性，还能将 3D 标注投影到 2D 图像中，提高像素级语义标注的准确性和效率。

Oct, 2019

通过将 nosiy 的 2D 标签提升至 3D，我们提出了一种用于城市规模语义和建筑级别实例分割的神经辐射场方法。我们首先引入了一种适应尺度的语义标签融合策略，通过合并来自不同高度预测的标签来增强不同大小的对象的分割，然后基于 3D 场景表示引入了一种新颖的交叉视图实例标签分组策略，以减轻 2D 实例标签中的多视图不一致性问题。此外，我们利用多视图重构深度先验来改善重建辐射场的几何质量，从而实现了增强的分割结果。在多个真实世界的城市规模数据集上的实验表明我们的方法优于现有方法，突显了其有效性。

Mar, 2024

使用八叉树结构从已标注点云向未标注点云进行注释传递，通过分析点云间的变化，该方法可以有效地传递注释并解决变化问题，对于自动在两个不同的代表同一实物的点云之间进行标签传递的方法的开发是该项目的主要贡献，该方法对于数据驱动的深度学习算法具有非常重要的意义，因为它还能够实现不确定性传递学习的确定性标签传递。

Feb, 2024