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
探讨自动驾驶中的数据领域适应问题，对近年来不同的领域适应技术进行了全面的回顾并针对 LiDAR 感知提出了未来研究的有趣问题。
Jun, 2021
本文提出了一种基于联合监督信号自训练的LiDAR Segmentation领域自适应方法ConDA，通过构建源域和目标域的中间领域并采用熵聚合器和抗锯齿正则化方法，实现了有效减少噪音伪标签对模型训练的负面影响，并在减轻域间差异方面取得了非常显著的提升。
Nov, 2021
本文介绍了一种无监督领域自适应的方法，使用隐式表面表示同时在源数据和目标数据上进行学习的辅助任务来缓解不同激光雷达模式或获取条件变化等原因导致的性能差异，实验证明了该方法比现有技术在合成到真实和真实到真实的情况下均取得了更好的性能。
Apr, 2023
通过结合输入数据的时间和跨传感器的几何一致性和均值教师方法，我们引入了一种新颖的领域适应方法，称为T-UDA（时间UDA），该方法在驾驶场景的3D语义分割任务中取得了显著的性能提升。
Sep, 2023
LiDAR-UDA是一种新颖的两阶段自我训练无监督域适应（UDA）方法，用于LiDAR分割，通过引入两种技术，即LiDAR束采样和交叉帧合成，以减少传感器差异并改善伪标签质量，我们的方法在公共LiDAR数据集上表现优于现有方法，平均mIoU提高超过3.9%。
本研究提出了一种基于图像与点云的混合特征增强方法，通过利用SAM模型在三维领域中的普适性能力，解决了未标注域适应中的领域差异问题，并在三维分割任务中取得了最新的研究进展。
Oct, 2023
提出了一种名为LIDAPS的新型模型，通过IMix策略实现了实例级的域适应，提高了全景质量，并利用CLIP-based domain alignment (CDA)方法来解决语义性能下降的问题，在流行的全景无监督域适应基准测试中取得了最先进的结果。
Apr, 2024
提出了一种名为UniMix的通用方法，通过有效减小领域差异，使LSS模型能够学习天气稳健和领域不变的表示，实现自动驾驶中对不同天气条件下的全面适应性。
本研究解决了由于环境和传感器设置变化导致的无监督领域适应（UDA）问题。创新性地结合了仅依赖LiDAR的跨模态学习与对抗训练，展示了3D LiDAR点云的两种不同数据表示方式能够相互学习以实现UDA。实验表明，该方法在3个真实场景下比现有的单模态和多模态UDA方法取得了新的最优性能。
Oct, 2024