本文提出了一种新的点云无监督域自适应方法 --CoSMix，是第一个基于样本混合的点云分割 UDA 方法，使用标记的合成数据和真实世界无标签点云，在两个大规模数据集上表现优于现有技术。

Jul, 2022

在自动驾驶中，高效利用数据对于推进 3D 场景理解至关重要。我们的研究在 LiDAR 语义分割上扩展了半监督学习，利用行驶场景的内在空间先验和多传感器互补来增强无标注数据集的有效性。我们引入了 LaserMix++，这是一个进化的框架，结合了来自不同 LiDAR 扫描的激光束操作，并结合了 LiDAR - 相机对应关系，进一步辅助高效学习。我们的框架旨在通过整合多模态（包括：1）用于细粒度交叉传感器相互作用的多模态 LaserMix 操作；2）增强 LiDAR 特征学习的相机到 LiDAR 特征提炼；和 3）使用开放词汇模型生成辅助监督的语言驱动知识引导）来增强 3D 场景一致性正则化。LaserMix++ 的多功能性使其适用于 LiDAR 表示的各种应用，确立了其作为一种普遍适用的解决方案。通过理论分析和对流行驾驶感知数据集的广泛实验，我们对我们的框架进行了严格验证。结果显示，LaserMix++ 明显优于完全监督的替代方案，在只使用五分之一的注释数据的情况下实现了可比较的准确性，并显著改善了仅使用监督的基准线。这一重大进展突显了半监督方法在减少对标记数据的依赖方面对基于 LiDAR 的 3D 场景理解系统的潜力。

May, 2024

本文提出利用插值增强点云的数据，定义了点云之间的最短路径线性插值，介绍了 PointMixup 方法进行插值，可以引入基于插值的正则化方法，例如 mixup 和 manifold mixup，证明了 PointMixup 可以找到点云之间的最短路径，实验显示它能够显著提高点云分类的性能，特别是在数据不足以及噪声和几何变形的情况下。

Aug, 2020

本文提出了针对 LiDAR 数据的新型自动驾驶车辆的语义分割算法 PolarNet，通过極坐标系间接对齐分割网络的注意力，解决了点云分布不均等问题。在三个不同的真实城市 LiDAR 单次扫描数据集中，该编码方案显著提高了平均交并比，同时保持了接近实时的吞吐量。

Mar, 2020

本文研究了 LiDAR 技术的数据增强技术，探讨了全局和局部增强技术的不同使用方式，通过在 KITTI 数据集上的实验表明了两种数据增强技术都有可能促进 3D 目标检测方法的性能，但个别增强技术例如物体平移对全局性能有负面影响，作者认为这些结论同样适用于其他最前沿的 3D 目标检测方法，并在 STF 数据集上验证了实验结果，最大提升了 1.7% 的 3D mAP。

Apr, 2020

本文提出使用基于深度生成模型的图像翻译技术 CycleGAN 来将大型标记路景数据集转换到极化领域，通过一些附加损失项来处理极化图像的物理约束条件，从而实现在道路场景的物体检测任务中提高汽车和行人检测的性能高达 9％的目标，该方法已经公开发布以供其他人使用。

Jun, 2022

本研究提出了一种名为 PointCutMix 的简单有效的点云数据增强方法，通过优化两个点云之间的最优分配并将一个样本中的点替换为其最优分配对来生成新的训练数据，以提高各种模型在点云分类问题上的性能和模型的鲁棒性。

Jan, 2021

通过生成伪 LiDAR 点云并进行对象级领域对齐和地图信息的上下文感知放置，我们提出了一种名为 PGT-Aug 的方法，用于处理典型的由实际数据采集引起的类别不平衡问题。我们在多个基准数据集上进行了广泛实验证明了我们方法的优越性和通用性，尤其是在由不同 LiDAR 配置捕获的领域差异较大的数据集上。

Mar, 2024

本文提出了 LaserMix 机制，利用 LiDAR 点云的强空间线索来更好地利用未标记的数据，实现 LiDAR 半监督分割，并在三个数据集上进行了全面的实验分析，结果表明 LaserMix 具有竞争性且有效。

Jun, 2022

通过收集含有准确几何形状和综合语义类别的点云注释的 SynLiDAR，以及设计点云翻译器 PCT，将合成数据转换为真实数据，这极大地提高了点云翻译，为研究 3D 转换提供了高质量的数据来源。

Jul, 2021