本文介绍了一种新的感知任务，名为多物体全景追踪，它将传统上分离的语义分割、实例分割和多物体追踪任务综合在一起，并提出了基于软全景追踪质量度量的评估方法。本文还提出了一种新的全景追踪网络PanopticTrackNet，用于同时学习所有子任务。实验结果表明，此方法在基于视觉和LiDAR的多物体追踪上均表现优异。

Apr, 2020

本文提出了一种名为Panoster的新型无需分类器的全景分割方法，通过学习聚类解决方案来生成类不可知分割，不仅快速而且能够在SemanticKITTI基准测试中超过现有方法，并展示了如何在现有的语义架构中灵活地有效地应用我们的方法来提供全景预测。

Oct, 2020

本文提出了Dynamic Shifting Network(DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在SemanticKITTI和nuScenes数据集上取得了优秀的性能表现。

Nov, 2020

本文提出了一种名为EfficientLPS的创新型自顶向下的LiDAR全景分割框架来解决LiDAR点云分割中的多个挑战，包括距离依赖的稀疏性、严重遮挡、大规模变化和重投影误差，并在两个大型LiDAR数据集上实现了状态-of-the-art的效果。

Feb, 2021

提出一种新的4D全景LiDAR分割方法，将语义类和时间一致的实例ID分配给3D点序列，使用点为中心的评估度量来确定每个点的语义类别，将对象实例建模为4D时空域中的概率分布，从而以更高效的方式处理多个点云。这项工作展望未来的超高效LiDAR全景感知。

Feb, 2021

提出了一种名为Panoptic-PolarNet的快速而强健的LiDAR点云全景分割框架，使用极坐标鸟瞰图表示进行语义分割和类无关实例聚类，以解决城市街景中实例的遮挡问题，实验结果表明Panoptic-PolarNet在benchmark数据集上表现优异。

Mar, 2021

本文旨在针对户外移动映射数据的全景分割问题，建立一个模块化的全局视点分割流水线，通过全面的系统实验来评估全景分割的状态，并提供首个公共数据集。

Apr, 2023

研究通过聚类策略和点嵌入来改进全景分割的实例分割步骤，以解决同一个语义类别附近实例分割的挑战，实验证明该策略的有效性和多样性。

Jul, 2023

本文提出了一个简单而有效的基于检测的网络，用于激光雷达全景分割和追踪任务，通过使用点级别注释训练目标实例检测分支，以及使用轨迹级别监督回归模态中心和物体范围来获取细粒度实例段，该方法在多个3D/4D LPS基准测试中表现出色，超过最新的基于查询的模型，建立了新的开源模型的最新技术水平。

Oct, 2023

本研究解决了激光雷达全景分割（LPS）在自主驾驶车辆安全部署中的关键性问题，提出了在开放世界背景下的LPS方法（LiPSOW）。通过在预定义语义类别词汇上训练模型，并研究其对出现新实例的泛化能力，我们发现基于类无关的点聚类方法在未知类别上表现优异，最终提出了一种统一的分割方法，不仅在已知类别上有所突破，还能有效处理未知类别。

Sep, 2024