本文介绍了一种新型的多视图检测器，MVDeTr，并使用新的视觉一致性的数据增强方法，以及采用阴影变换技术来聚合多视图信息，提取目标特征，超过了现有最佳方法，能更准确地进行多视图检测。

Aug, 2021

利用多视角聚合的优势可以解决多目标跟踪和检测中的遮挡和漏检等挑战。通过将所有视图投影到地面并从鸟瞰视图进行检测分析，最近在多视图检测和 3D 物体识别方面的进展显著提高了性能。本文比较现代的无参数和参数化的升降方法与多视角聚合方法，并提出一种结合多个时间步骤的特征聚合以学习稳健检测并结合外观和运动线索进行跟踪的架构。我们的方法在行人和道路感知两个领域的三个公共数据集上具有广泛适用性，并在检测和跟踪方面实现了最先进的性能。

Mar, 2024

提出了一种基于多视图轴自注意力和局部 ROI 自注意力的多路径多表示 3D 物体检测方法，通过稀疏浮动查询和密集 BEV 查询的多重表示进一步提高了性能，对于自动驾驶系统具有重要意义。

Feb, 2023

本研究介绍了一种基于多视角几何的 3D 物体检测方法 VEDet，通过视点感知和等变性，利用查询式转换器系统将三维场景转化为位置编码来提高目标定位精度，并在损失层面进行多视角一致性规范化，通过丰富的几何线索提高性能以优化现有方法。

Mar, 2023

通过与 2D 相机平面结果对齐的方法，本研究提出了一种新颖的多相机三维目标检测方法，确保持一致且准确的检测结果。该方法通过视角校正，将鸟瞰视图特征渲染为多视图地图，并纠正了这些地图的透视偏差，利用隐含的前景体来连接相机与鸟瞰视图平面。该两步过程促进了视角和上下文无关特征的学习，对于准确地检测不同视角、相机参数和环境条件下的目标至关重要。此外，该方法采用基于模型的不可知的方法，而不需要额外的推理成本和对真实场景注释，从而促进了各种模型的无缝集成和简化部署。实验结果在领域泛化和无监督领域自适应方面明确展示了其有效性。

Oct, 2023

该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

Nov, 2016

本文提出了一种新颖的多视角融合算法 (MVF)，它能够从鸟瞰视角和透视视角有效地学习利用互补信息，其中采用了动态体素化方法。在 Waymo 开放数据集和 KITTI 数据集上的评估表明，MVF 模型显著提高了检测精度。

Oct, 2019

多视角注意力上下文化是一种简单而有效的方法，用于在基于查询的多视图三维目标检测中改进二维到三维特征提取。

May, 2024

该论文通过开发一种监督式逐视图贡献加权方法改进多视角人员检测，并采用大型合成数据集增强模型的泛化能力，进而通过简单的领域自适应技术进一步提升模型在新的测试场景中的性能，实验证明该方法在跨场景多视角人员检测方面取得了有希望的成果。

May, 2024

提出了一种弱到强的激励框架来增强环境细化，同时保持强健的单目感知，通过基于不同子集训练的弱调优专家来学习单目退化的感知，进而改善多视角融合阶段的环境细化能力，并提出了一种综合蒸馏策略来整合 2D 基础模型和任务特定信息的通用知识，最后，为 MC3D-Det 联合训练设计了一个精心制定的数据集合并策略，解决了不一致的摄像头数量和参数问题，此框架普遍提升了多个基准方法效果。

Apr, 2024