本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了 KITTI 3D 目标检测基准的全监督结果。

Mar, 2021

MS3D++ 是一个用于 3D 目标检测的自我训练框架，通过生成高质量的伪标签实现多源无监督域适应，改进了 3D 检测器在不同领域中的泛化能力，并在 Bird's Eye View（BEV）评估中，使用 MS3D++ 伪标签训练的检测器在低密度和高密度 lidar 的性能上达到了与人工标注标签相媲美的最新水平。

Aug, 2023

我们提出了一种能够在无监督领域适应中实现 3D 物体检测的框架，称为 STAL3D，通过协作自训练和对抗学习利用伪标签和特征分布对齐的互补优势，并设计了面向 3D 跨域场景的背景抑制对抗学习模块和尺度过滤模块，有效减轻了大部分背景干扰和源域尺寸偏差的问题。在多个跨域任务上，我们的 STAL3D 实现了最先进的性能，甚至在 Waymo 到 KITTI 和 Waymo 到 KITTI-rain 任务上超过了 Oracle 结果。

Jun, 2024

提出了一种新的自我训练管道 MS3D，用于无监督领域适应的 3D 目标检测，其使用不同的预训练探测器结合时间信息生成高质量的伪标签进行微调。使用我们提出的核密度估算（KDE）盒融合方法来融合来自多个域的盒子提议，以获得超过最佳源域探测器性能的伪标签。MS3D 表现出更大的领域位移鲁棒性，并能够在较大距离上产生准确的伪标签，因此非常适合从高到低波束领域适应和反之。该方法在所有评估数据集上都取得了最先进的性能，而且我们证明了预先训练源探测器的选择对自我训练结果影响较小，因此 MS3D 适用于实际应用。

Apr, 2023

提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

Dec, 2022

本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法，该方法使用班级原型来缓解误标签噪声的影响，利用转换器模块识别对应于错误、过于自信的注释的离群 ROI，通过自学习的过程，降低伪标签的损失并提高性能。

Nov, 2021

通过扩散模型来提高伪标签的质量，以实现半监督三维物体检测，改进了现有方法的性能，获得了最先进的结果。

Dec, 2023

本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

Jun, 2024

通过使用多个标注源数据集，并结合基于粗标签的标签映射以及跨数据集对象注入的数据增强方法，提高了在不同环境中、由不同传感器配置采集的数据上测试时三维物体检测模型的鲁棒性。

Aug, 2023

我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

Nov, 2023