本论文提出了一种新颖的深度压缩算法，通过将 LiDAR 点云编码为八叉树，并设计一种以树结构为基础的条件熵模型，来减少点云数据的储存空间。实验证明该方法在保证重建质量的同时，将比特率降低了 10-20%，并在下游 3D 分割和检测任务中表现突出，非常适用于自驾车等实时应用场景。

May, 2020

使用压缩感知和交替方向神经网络技术创建了深度循环自编码器，从稀疏 LiDAR 点集中估计出密集的深度图，并表明此方法在仅使用 1800 个参数的情况下能够优于所有以前发表的结果。

Mar, 2018

本文提出了一个管道，用于在汽车场景中高效压缩 LiDAR 观测数据，首先利用 RangeNet++，一个用于语义推断点标签的深度神经网络来减少信道负载，其次是使用 Draco 对选择的点进行压缩，实验证明该方法可以在 LiDAR 的帧率下实现实时性。

Mar, 2021

本文介绍了一种基于单张图像强度数据的密集场景几何表示方法，在单目稠密 SLAM 系统中具有优异的性能表现。

Apr, 2018

该研究论文考虑了一种压缩多光谱光场相机模型，利用一种一位编码光谱掩膜和微透镜阵列，使用单色传感器捕捉空间、角度和光谱信息。我们提出了一种模型，采用压缩感知技术从欠采样测量中重建完整的多光谱光场。与先前的工作不同，其中光场被向量化为一维信号，我们的方法采用了一个五维基底和一种新颖的五维测量模型，因此与多光谱光场的内在维度相匹配。我们在数学和实证方面展示了五维和一维感知模型的等价性，最重要的是五维框架实现了数量级更快的重建速度，同时需要较小的存储空间。此外，我们的新型多维感知模型为设计高效的视觉数据采集算法和硬件开辟了新的研究方向。

Feb, 2024

该研究论文提出了 MULti-Sweep PAired Detector（MULSPAD），它通过一种深度学习模型在输入缓冲的结束时间和开始时间分别为每个检测到的物体生成一对边界框。而这种成对的检测不仅可以很容易地构建简单的跟踪器，还可以构建更复杂的跟踪器，可以利用成对信息，对运动模型和物体生成 / 死亡模型的选择具有鲁棒性。我们使用 Waymo Open Dataset 进行了初步的训练和实验，结果证明了我们提出方法的有效性。

Feb, 2024

我们提出了一种新的无损校准的 3D 至 2D 转换方法，使压缩算法能够高效利用二维表示中的空间相关性，通过常见的图像压缩方法和利用递归神经网络的自监督深度压缩方法对结构化表示进行压缩，还对 LiDAR 的强度测量值进行密集二维表示，并提出了一种评估压缩性能的新指标。与基于通用八叉树点云压缩或基于原始点云数据压缩的方法相比，我们的方法在定量和视觉性能上取得了最佳效果。

Feb, 2024

该研究提出了一种名为 RIDDLE 的数据驱动范围图像压缩算法，该算法通过深度学习模型进行预测，以更好的利用激光雷达扫描模式，相比于现有的点云和范围图像压缩方法，在相同的失真度下大幅提高了压缩速度。在 Waymo Open 数据集和 KITTI 上的测试结果显示出了显著的效果。

Jun, 2022

本文提出了一种立体图像压缩方法，采用单图像自编码器和参数化跳跃函数进行压缩，并使用条件熵模型对图像代码的概率依赖关系进行建模，实验结果表明，在低码率下与深度单图像压缩相比，第二幅图像的比特率减少了 30-50％，高码率下减少了 10-20％。

Aug, 2019

本文提出了一种基于学习的语义分割框架，其利用上下文形状先验知识，在 LiDAR 点云序列的帮助下将单个点云序列完成从稀疏的单扫描点云到密集的点云的语义分割任务，并在 SemanticKITTI 和 SemanticPOSS 数据集上取得了显著的性能提升。

Dec, 2020