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

我们提出了一种名叫 Hybrid Voxel Network（HVNet）的新型一阶段统一网络，用于基于点云的自动驾驶 3D 目标检测。在 KITTI 基准测试中，单个 HVNet 实现了最好的 mAP，并具有 31Hz 的实时推理速度。

Feb, 2020

本文提出了一种针对点云的三维目标检测新方法 PV-RCNN，通过点和体素两个方面来深度整合特征学习，采用体素到关键点场景编码和关键点到网格 RoI 特征抽象两个创新步骤，更高效准确地实现三维目标检测。PV-RCNN++ 框架通过部分区域划分建议 - 中心采样和 VectorPool 池化等两种策略，在更低资源消耗下实现了更优秀的性能，相比 PV-RCNN 在保持准确率的同时提高了 3 倍速度，并在大规模 Waymo 开放数据集上取得了最先进的三维检测性能。

Jan, 2021

本文提出了一种基于体素的框架 ——Voxel R-CNN，通过从体素特征中提取 RoI 特征，实现与最先进的基于点的模型相当的检测准确度，但计算成本只有一小部分，并在 KITTI 数据集上实现了更高的检测准确度和实时图像处理速率。

Dec, 2020

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

本论文提供了一种新型的点块 Transformer 用于单级三维检测 (PVT-SSD), 其使用基于体素的稀疏卷积进行有效的特征编码，并从体素中以便宜的方式获取长距离上下文，同时从点中获取准确的位置并通过引入依赖于输入的查询初始化模块关联这两种不同的表示。进一步地，通过设计 Virtual Range Image 模块，该方法能够快速找到参考点的邻近点。该方法在几个自动驾驶基准测试中得到了验证，表明其有效性和高效性。

May, 2023

本文提出了一种称为 Point-Voxel CNN（PVCNN）的算法，其使用点的形式来表示三维输入数据以减少内存消耗，并通过使用体素来执行卷积以提高效率。该算法在语义分割数据集上实现了比基线模型更高的准确性，同时还在速度上超过了最先进的基于点的模型。

Jul, 2019

本篇研究提出了一种基于点云的三维物体检测框架，采用两个阶段的方法，利用体素表示和点云原始数据的优势进行特征提取，并在 KITTI 数据集上进行评估，取得了 3D 和 Bird's Eye View（BEV）检测的最新成果，检测速度达到了每秒 15 帧。

Aug, 2019

该论文介绍了一种基于体元和投影双分支特征提取的 3D 目标检测器，以解决信息丢失的问题。通过融合具有丰富局部语义信息的体元特征和投影特征，该方法在特征提取阶段减少了由投影引起的局部信息丢失，并在比较实验中取得了良好的性能。

Aug, 2023

本文提出了一种名为 VPFusion 的垂直多尺度表示学习框架，它将来自体素和柱状流的互补信息相结合，有效提高了点云表示的精度，实验结果表明 VPFusion 超越了基线，实现了实时推理速度。

Apr, 2023