通过神经网络引导的 RANSAC 估计器拟合基本几何体，提供更有意义的场景抽象并减少推理时间，成功地将拥挤的真实世界三维场景布局抽象化。

Mar, 2024

我们提出了一种新颖有效的方法来检测杂乱无序的点云中的 3D 原始体，无需辅助分割或类型说明，并考虑到了用于封装环境基本构建块 - 平面、球体、椭球体、圆锥或圆柱体的二次曲面的统一方式。本文的方法具有较高的准确性，并且是一种能够在困难场景下进行通用交叉类型多对象原始体检测的方法。

Jan, 2019

基于 RANSAC 估计器和神经网络的图元拟合算法，通过处理场景中的一部分来解析 3D 特征，进而获得更具抽象性的场景描述，在实现端到端训练的基础上，引入遮挡感知距离度量，成功地在不需要繁琐标注的情况下，实现了对真实世界 3D 场景布局的抽象。

May, 2021

本文提出了一种无监督形状抽象方法，将点云转换为紧凑的长方体表示，并以分割和长方体形状的联合预测为抽象任务，以自学习的方式加强分割和形状抽象之间的一致性，该方法不需要手动注释点云中的零件。本文通过几种形状集的评估，证明了该方法优于现有的形状抽象方法，支持结构形状生成、形状插值和结构形状聚类等各种应用。

Jun, 2021

本研究提出了一种用于检测 3D 物体的端到端深度学习系统，并可用于增强现实（AR）和机器人学的实时应用。该系统适用于许多语义类别，可以通过 2D 边界框来定位并同时定位其角点，有效生成盒状物体的 3D 解释，并通过迭代汇集卷积特征来优化改善其性能。

Nov, 2016

本研究提出一种无分割、自动、高效的检测点云中通用几何二次曲面形式的程序，并使用闭合的三维二次形式适配和本地空间投票策略来降低计算复杂度，在合成和实际数据集上证实了方法的有效性。

Mar, 2018

该研究提出了一种名为 MonoXiver 的方法，可通过组合 2D 到 3D 和 3D 到 2D 的信息流，使用 3D 空间局部网格搜索方式，实现单眼 3D 物体检测的 3D 中心定位。该方法使用 Perceiver I / O 模型，融合了几何信息和 2D 外观信息以学习去噪特征。在 KITTI 和 Waymo 数据集上的实验表明，MonoXiver 能在有限的计算开销下实现持续改进。

Apr, 2023

本文提出了一种基于 BoxCloud 和特征融合的 3D 物体跟踪算法，相比于之前的算法，在 KITTI 和 NuScenes 数据集上有了很大的提升。

Aug, 2021

3D-BoNet 是一个新颖的、简单易懂且通用的网络，可在 3D 点云上实现实例分割。该网络由骨干网和两个并行支路（边界框回归和点掩码预测）组成，并在保持端到端训练的同时，直接回归点云中所有实例的 3D 边界框和每个实例的点级掩码。实验表明，相比现有方法，该方法不仅在 ScanNet 和 S3DIS 数据集上的表现更优，而且计算效率提高了约 10 倍，并且该算法的设计是有效的。

Jun, 2019

本文提出了一种利用贝叶斯非参数方法描述点云和表面法线密度，利用分支定界优化恢复相对变换的点云对准的全新方法，采用 4D 四面体的旋转空间细分来提高优化效率，并在最后的实验中展示了该方法的高效性和对真实世界的鲁棒性。

Mar, 2016