RangeRCNN 是一种基于距离图像表示的新颖、有效的 3D 目标检测框架，通过利用扩张残差块（DRB）和 RV-PV-BEV 模块及二阶段 RCNN 的方法，解决了尺度变化和遮挡等问题，实现了对 KITTI 和 Waymo Open 数据集上最好的性能表现，为实时 3D 目标检测提供了更多可能性。

Sep, 2020

本文提出了一个新颖的 3D 物体检测框架，可直接处理 LiDAR 原始数据；利用稠密的测距图像，通过 2D 卷积方法高效处理数据，并使用新的 range-conditioned dilation (RCD) 层根据量测距离动态调整连续膨胀率，进一步提高了检测的精度。结合 3D bounding box 细化步骤能够更好地应对遮挡区域，在 Waymo Open 数据集上表现优异，创下了新的基准。

May, 2020

本研究提出了一种利用分割信息指导检测过程的多任务框架，该框架联合执行三维物体检测和全景分割，可利用多视角信息解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。在 nuScenes 数据集上进行的大量实验表明，该方法提供了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

Mar, 2022

本研究提出了一种新颖且准确的方法，Redemption from Range-view R-CNN（R2 R-CNN），全面探索了从视角距离的表示方法，并通过 HD Meta Kernel 解决了尺度变化问题，引入 Feature Points Redemption（FPR）恢复了丢失的三维表面纹理信息，以及通过 Synchronous-Grid RoI Pooling（S-Grid RoI Pooling）进行多尺度的精确边界框细化，对比现有的视角距离方法，R2 R-CNN 在 KITTI 基准和 Waymo Open Dataset 上表现出最先进的性能，突出强调了解决视角距离方法中的表面纹理损失问题对于准确的三维目标检测的重要性。

Jul, 2023

基于 LiDAR 的 3D 检测在自动导航中起着至关重要的作用。本文通过对长距离检测数据集 Argoverse 2.0 的经验性分析，揭示了近场和远场 3D 检测的不同特征，并提出了一种基于集成模型的有效技术，使长距离检测的效率提高了 33%，准确性提高了 3.2% CDS。

Aug, 2023

我们的研究论文提出了一种利用 LiDAR 和图像相结合的方法来解决长距离 3D 物体检测的问题，通过组合两种不同范围的专家网络和引入 Multimodal Virtual Points（MVP）进行数据增强，我们的方法在长距离上达到了最先进的性能。

Oct, 2023

提出了一种名为 Far3D 的新型稀疏查询框架，通过利用高质量的二维对象先验信息生成三维自适应查询，引入了透视感知聚合模块来高效捕获长距离对象在不同视角和尺度上的区别性特征，并通过范围调制的三维去噪方法解决了长距离任务中查询错误传播和收敛问题，相较于基于 LiDAR 的方法，在覆盖范围 150 米的具有挑战性的 Argoverse 2 数据集上表现出最先进的性能，并且在 nuScenes 数据集上相比之前的方法也展示了更好的性能。

Aug, 2023

通过 nuScenes 数据集开发出一种新的远场三维检测评估协议，以评估现有方法的性能，其结论是高分辨率 RGB 可以提高远场物体的三维检测，而 RGB 和激光雷达检测器的融合可以比目前的方法获得更好的检测性能。

Nov, 2022

通过 SpotNet 方法，结合 LiDAR 传感器融合 2D 和 3D 检测任务，实现稀疏 LiDAR 支持下准确的远距离 3D 目标检测，并且能够在不重新训练的情况下将检测结果从 2MP 分辨率图像转移到 8MP 分辨率图像上。

May, 2024

通过新颖的多任务框架，利用纯卷积架构的小型、多功能、强大的（SVM）网络，提升了范围视图表达的 3D 检测性能，并在无需额外模块的情况下，无缝集成了语义分割和全景分割任务，取得了新的状态最佳检测性能。

Mar, 2024