本文介绍了一种基于数据增强的方法，通过多次利用已有数据，使用现实世界中的数据模拟给点云数据进行物体检测和语义分割训练。此方法在 KITTI 物体检测和 SemanticKITTI 语义分割挑战赛中取得了显著的性能提升。

Jun, 2022

本文研究了 LiDAR 技术的数据增强技术，探讨了全局和局部增强技术的不同使用方式，通过在 KITTI 数据集上的实验表明了两种数据增强技术都有可能促进 3D 目标检测方法的性能，但个别增强技术例如物体平移对全局性能有负面影响，作者认为这些结论同样适用于其他最前沿的 3D 目标检测方法，并在 STF 数据集上验证了实验结果，最大提升了 1.7% 的 3D mAP。

Apr, 2020

本文介绍了第一次自动设计 3D 目标检测数据增强策略的尝试，通过学习优化增强策略，将搜索空间缩小并采用前一次迭代中发现的最佳参数，使 PPBA 算法在 KITTI 3D 检测测试集上大幅优化了 StarNet 检测器的适度难度汽车、行人和骑车人类别，超过了当前所有最先进的单级检测模型。在 Waymo 开放数据集上的额外实验表明，PPBA 继续有效地提高 StarNet 和 PointPillars 检测器在比 KITTI 大 20 倍的数据集上的表现。

Apr, 2020

这篇论文提出了 PointAugment 自动增强框架，使用对抗性学习策略自动优化和增强点云样本以增加数据多样性，在形状分类方面取得良好表现。

Feb, 2020

本研究探讨了 3D 点云的测试时间数据增强方法，并使用隐式表示和点云上采样技术作为系统化方法，通过从重构结果中采样点并将其用作测试时间增强数据来改进准确性。此方法对于稀疏点云的目标分类和分割等下游任务在 ModelNet40、ShapeNet、ScanObjectNN 和 SemanticKITTI 数据集上表现出更为显著的性能提升。

Nov, 2023

在 3D 视觉领域，我们提出了一种基于样本结构的自适应转换方法，名为 AdaptPoint，用于处理潜在的破坏，通过包括预测变形参数和生成逐点蒙版在内的模拟破坏，并通过鉴别器防止生成过度破坏。实验结果表明，我们的方法在多个破坏评估中取得了最先进的结果。

Sep, 2023

本文提出了一种基于 LiDAR 点云的强大的 Part-$A^2$ net 三维物体检测框架，该框架包含两个阶段：part-aware 和 part-aggregation。Part-$A^2$ net 能够通过该框架在 KITTI 3D 物体检测数据集上取得最新的最佳成果，而且只利用了 LiDAR 点云数据。

Jul, 2019

该研究综述了深度学习在点云处理中的应用，探讨了数据增强方法，并对其进行了综合评估和分类，以帮助研究人员全面了解点云数据增强的现状，并推动其广泛应用和发展。

Aug, 2023

提出了一种适用于动态场景的 LiDAR 数据增强方法 D-Aug，该方法通过提取对象并将其插入动态场景，考虑这些对象在连续帧之间的连续性，并采用参考引导方法实现无缝插入动态场景，同时还提出了像素级道路识别策略来有效确定适合的插入位置，通过与不同的 3D 检测和跟踪方法在 nuScenes 数据集上进行验证，实验证明了 D-Aug 方法的优越性。

Apr, 2024

提出了一种名为 PointWOLF 的点云数据增强方法，通过局部加权变换中心的多个锚点生成平滑变化的非刚性变形，以实现多样化和逼真的数据增强，并结合 AugTune 进行优化，实现了其在形状分类和部位分割任务中表现的提升，特别是使用 PointNet++ 和 ScanObjectNN 数据集时，达到了 89.7 的准确度，达到了最先进的水平。

Oct, 2021