VoxelNet 是一种针对点云图像检测的深度网络，可以将点云分割成等间距的三维体素，并通过新引入的体素特征编码层将每组点转换为统一的特征表示，从而生成描述性的体积表示，并连接 RPN 以生成检测。

Nov, 2017

本文提出了一种新的单级三维检测方法 HVPR，它将点云的体素特征与点特征有效且高效地集成到一个伪图像的混合三维表示中，从而实现了三维对象的定位。同时，我们提出了一种 Attentive Multi-scale Feature Module（AMFM），用于考虑点云的稀疏和不规则分布，以提取具有尺度感知的特征，并在 KITTI 数据集上验证了我们方法的有效性和效率。

Apr, 2021

本论文提出了一种基于深度学习的融合多类三维物体检测网络，使用 Voxel-Pixel 融合层将激光雷达和相机传感器数据流进行联合，此方法在 KITTI 基准测试中表现优异，排名第一。

Nov, 2021

本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器，该检测器在从点数据中提取特征上表现出更好的性能，并在 KITTI-3D 基准测试中表现优异，其速度和准确性在实际场景中具有实际应用价值。

Jun, 2019

本文提出了一种名为 VoxelNext 的基于稀疏体素特征的完全稀疏 3D 目标检测方法，通过少量的推断即可检测和跟踪 3D 目标，它具有良好的速度 - 精度折衷，且不需后续的稀疏转密集转换或 NMS 后处理。实验证明，该方法能够在 nuScenes、Waymo 和 Argoverse2 基准上显著提高检测效果。

Mar, 2023

该论文提出了一种解决方案，通过实现快速动态体素化器，以便在快速基于柱体模型中像体素化器在缓慢的基于体素模型中工作一样工作，实现网络推理速度和精度的提高。此外，作者还提出了轻型检测子头模型来分类预测的物体，并过滤出虚假的检测物体，从而显著提高模型的精度，在可忽略的时间和计算成本内。

Jan, 2023

提出了一种名为 PointVoxel-RCNN（PV-RCNN）的 3D 物体检测框架，可以使用点云实现准确的物体检测，使用了 3D voxel 卷积神经网络和基于 PointNet 的集合抽象相结合的方法深度学习了更具有区分性的点云特征，并使用 RoI-grid 池化方法编码具有可比性的特征从而实现了更准确的 3D 检测效果。

Dec, 2019

本文提出了一种名为 HDVNet 的新型架构，针对测量应用程序中的点云具有的大局部密度变化提出解决方案，通过一个嵌套的编码器 - 解码器通路集合来处理特定的点密度范围，有效地处理了输入密度变化，提高了分割精度。

Jul, 2023

提出了一种基于点密度感知的体素网络（PDV）方法，通过使用核密度估计和具有点密度位置编码的自注意力，通过聚合体素特征来解决 LiDAR 的点密度变化对 3D 物体检测精度的影响。实验结果表明，PDV 在 Waymo 开放数据集上优于所有最先进的方法，在 KITTI 数据集上取得了竞争性的结果。

Mar, 2022

信息瓶颈限制了 3D 物体检测的准确性和可扩展性，因此我们提出了基于 Transformer 的 PVTransformer 架构，通过用注意模块替换 PointNet 池化操作来改善点到体的聚合函数，从而在广泛使用的 Waymo Open Dataset 上实现了卓越的表现。

May, 2024