本文介绍了一个新的 3D 点云分类基准数据集，其中包含超过 40 亿个手动标记的点，用于数据密集型的（深度）学习方法。使用深度卷积神经网络（CNNs）作为工作马的初始提交已经显示出相对于现有技术具有显著的性能改进。我们提供了基线方法描述和通过我们的在线系统提交方法之间的比较。我们希望 Semantic3D.net 能够为 3D 点云标注中的深度学习方法铺平道路。

Apr, 2017

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

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

该研究论文提出了一种将语义实例标签从二维提升到三维的方法，通过从解析来自立体或激光数据的重建场景的 2D 标签信息，转化到图像域，可更高效地完成像素级别的语义注释与更准确，基于时间的标签。

Nov, 2015

本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法，将点云数据投影到 2D 平面，避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制，并在 Semantic3D 数据集上达到了相对增益 7.9％的最新最佳结果。

May, 2017

本文介绍了一种完全自动化的 2D/3D 标注框架，可以在无任何人为干预的情况下，为 RGB-D 扫描生成与可比较的手动注释的数据集（如 ScanNet）相同（或更高）准确度的标签，利用最先进的分割模型的集成和通过神经渲染进行的三维提升，我们的 LabelMaker 流水线的有效性通过为 ScanNet 数据集生成更好的标签并自动标注先前未标记的 ARKitScenes 数据集来进行了演示。

Nov, 2023

该论文提出了一种方法，根据现代电脑游戏中的图像快速创建像素准确的语义标签映射，用以训练计算机视觉模型并取得更高的准确度。

Aug, 2016

介绍了一个名为 3D Labeling Tool（3DLT）的标注工具，利用深度信息从图像中重建三角网格来对目标进行一次标注，大大提高了标注的速度。该工具可用于 2D 图像和 3D 三角网格，并且采用注册和异常值检测等技术提高标注精度。

Jul, 2022

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

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