提出了一种新方法 IA-BEV，它将图像平面实例感知集成到基于 BEV 的深度估计过程中，通过增强单目深度生成的有效性和鼓励模型在计算密集的时间立体匹配中更加注重具有挑战性的物体，为高质量 BEV 特征构建提供先进的深度估计结果，从而有利于最终的三维检测。所提出的方法在具有挑战性的 nuScenes 基准测试中取得了最先进的性能，广泛的实验结果表明了我们设计的有效性。

Dec, 2023

本文介绍了一种名为 BEVDet 的算法，它能够基于 Bird-Eye-View 拍摄的视频进行 3D 目标检测，通过利用数据增强策略和升级最大值抑制策略来提高性能，同时在精度和时间效率之间实现出色的平衡。

Dec, 2021

利用智能路侧摄像头扩展感知能力来解决现有视觉中心的鸟瞰检测方法在路侧摄像头上性能较差的问题。通过回归地面高度并结合高度和深度编码技术，提出了一种简单而有效的方法，名为 BEVHeight++，在 2D 到 BEV 空间的映射中取得了更准确和稳健的结果，超过了其他方法，拥有较好的性能表现。

Sep, 2023

通过引入增强模块，包括强制物体一致性的 CRF 调制深度估计模块、具有扩展感受域的长期时域聚合模块和结合透视技术与 CRF 调制深度嵌入的两阶段物体解码器，本文旨在解决现有密集 BEV 基础的三维物体检测器的缺点。经过这些增强组件，我们提出的 BEVNeXt 框架在 nuScenes 基准上在不同设置下优于 BEV 基础和查询基础框架，实现了 nuScenes 测试集上 64.2 NDS 的最新结果。

Dec, 2023

本文提出了一种名为 BEVHeight 的简单而有效的方法，通过回归车辆高度来解决利用路边智能摄像头进行感知时出现的问题，超过了所有以前的基于视觉的方法。

Mar, 2023

本论文提出了一种名为 DG-BEV 的方法，通过将同态转换的测度深度预测转换为尺度不变深度来获得强健的深度预测，并使用单应性进行动态透视增强以增加外参参数的多样性，并通过多个伪域值修改对抗性训练损失来构建特征表示，从而显著减轻了目标领域的性能下降。

Mar, 2023

路边基于摄像头的三维物体检测是智能交通系统中的一个重要任务，该研究提出了一种新的端到端单目三维物体检测框架 —— 互补 BEV（CoBEV），融合深度和高度信息，构建了强大的 BEV 表示，实现了一系列性能的提升，同时在具有挑战性的长距离场景和噪声摄像机干扰下具有较强的鲁棒性和泛化性的提高。

Oct, 2023

通过训练基于多视角鸟瞰图（BEV）的学生检测器来模仿经过训练的基于 LiDAR 的教师检测器的特征，从而提高多视角 BEV 的表示学习，并通过有效的平衡策略和多尺度层的时间融合实现知识传输，实验证明该方法在多个多视角 BEV 模型上显著改善了学生模型，达到了流行基准 nuScenes 的最新性能。

Sep, 2023

本文提出了一种利用几何信息通过参数化深度分布建模来进行图像特征转换的方法，通过将 2D 图像特征提升到自车定义的三维空间，并根据深度导出的三维空间占用情况将三维特征体积聚合到鸟瞰视图中进行特征转换，以解决自动驾驶中图像特征转换的瓶颈问题。进一步，在语义分割中提出了一种可靠的可见性感知评估度量，通过考虑该度量可以减轻幻觉问题，并在 nuScenes 数据集上的目标检测和语义分割实验中验证了方法的优越性。

Jul, 2023

介绍了一种基于自监督学习的深度估计方法，使用 Bird's-Eye-View 特征处理动态物体，应用于自动驾驶和机器人系统，获得了具有竞争力的性能。

Jun, 2023