本篇论文探究了自监督学习在3D感知问题的领域自适应中的应用，通过提出基于形变重构的预训练任务以及一种名为PCM的新颖训练流程，对分类和分割的领域适应数据集进行了评估，取得了相较于现有和基准方法的巨大改进。

Mar, 2020

本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。

Aug, 2021

提出一种混合不同领域的特征表示以实现更好的领域自适应性能的多目标域自适应基线方法，称为MEnsA，通过在共享的潜在空间中使用域分类器来改进区分源域和目标域的特征表示的能力，在具有挑战性的PointDA-10数据集上进行实验证明了该方法相对于之前的无监督单目标域自适应和多目标域自适应方法的显着优势。

Apr, 2023

本文提出了一种仅利用一个源数据集来缓解模型在面对新领域数据时遇到的未知领域差异的方法 - Single-dataset Unified Generalization（SUG）框架，主要包括Multi-grained Sub-domain Alignment（MSA）方法和Sample-level Domain-aware Attention （SDA）策略，实验表明我们的方法可以提高3D DG问题中模型的泛化能力。

May, 2023

提出了一种新颖的无监督领域自适应三维检测框架GPA-3D，通过显式利用点云对象的内在几何关系来减少特征差异，从而实现跨领域的转移，并在各种基准测试中证明了其优越性。

Aug, 2023

通过多模态对比学习和最优传输的对齐，我们提出了一种新的用于点云分类的无监督领域自适应架构，实现了更好的类别分离并在多个数据集上取得了最先进的性能。

Aug, 2023

通过语义和几何样本混合，该研究介绍了一种基于点云的无监督领域自适应技术，并采用合成到真实和真实到真实的情境，利用LiDAR数据集验证其在无监督和半监督设置中明显优于现有方法的性能。

Aug, 2023

通过注意力机制和图卷积，PC-Adapter保留了源数据的全局形状信息，并学习了目标域的局部特征，同时提出了一种新颖的假标记策略来克服分类器偏差，该方法在各种基准数据集 - PointDA、GraspNetPC和PointSegDA上优于基线模型。

Sep, 2023

PointeNet是一种专门用于点云分析的高效网络，通过轻量级的架构、低训练成本和即插即用功能，有效捕捉代表性特征，并在分类/分割头或嵌入到现成的3D物体检测网络中实现了明显的性能改进，尤其适用于自动驾驶等实际场景。

Dec, 2023

本研究针对语义点云分析中的一个关键问题，即合成数据在几何上缺乏多样性，导致在无监督领域适应任务中难以捕捉不完整和嘈杂点云的域不变几何模式。我们提出一种新颖的方法，通过自监督的几何增强任务，正则化表示学习，利用新增约束有效提升点云表示的领域间适应能力。实验结果表明，该方法在PointDA-10数据集上实现了最佳性能。

Sep, 2024