本文提出了一个从电脑游戏中快速生成带有准确点级别标签的点云的框架，可用于深度学习算法的训练和神经网络的鲁棒性测试并提出了自动标定方法，实验表明将生成的合成数据与训练数据集相结合可显著提高点云分割的准确性 (+9%)，通过从用户配置场景的点云进行神经网络的测试和重新训练，可以修复神经网络的弱点 / 盲点。

Mar, 2018

本文提出了一种名为 LiDARsim 的模拟器，利用真实数据生成 3D 场景，通过物理模拟和深度神经网络相结合来生成 LiDAR 点云，用于测试感知算法和评估安全场景。

Jun, 2020

本文提出一种新的 LiDAR 模拟器，可有效解决困扰自动驾驶车辆的障碍物检测问题。该模拟器通过添加合成障碍物并在背景点云基础上生成注释点云，可以自动为检测器提供训练数据，使其在深度学习中表现出色，并可以实现大规模工业应用。

Nov, 2018

通过使用 LiDAR 传感器和场景语义，我们提供了一种新的仅依靠 LiDAR 传感器的增强型原始扫描的稠密伪点云框架，无需摄像机，该框架首先利用分割模型从原始点云中提取场景语义，然后使用多模态的域转换器生成伪图像分割和深度提示，从而生成一种富含语义信息的稠密伪点云，并通过引入新的语义引导投影方法增强检测性能。

Sep, 2023

本文提出了一种基于代理分类任务训练得到的新指标，用于量化 LiDAR 点云数据的逼真度，并利用该指标来确定生成的 LiDAR 数据的逼真度，并将该指标的逼真度估计与分割模型的性能表现进行了比较。

Aug, 2022

开发自动驾驶中，真实车辆传感器模拟是重要的因素。我们提出利用基于数据的方法，使用来自实际测试驾驶的相机图像和 LiDAR 扫描数据训练生成对抗网络，实现相互翻译。通过添加分割数据和密集深度图像的相机图像，以及通过测试真实与合成点云之间物体检测网络的泛化效果评估 LiDAR 模拟性能，我们结合这两种方法，模拟并展示了真实的 LiDAR 点云。

Nov, 2023

该研究论文探讨了基于学习的模型在模拟环境中将 Lidar 点云数据转换成高质量真实数据的 Sim-to-Real 映射方法，并与图像转换方法进行了广泛的评估，结果表明基于对比学习的 CLS2R 框架在几乎所有度量指标上表现出优越性能。

Dec, 2023

本研究采用真实数据模拟雾天环境，提出一种适用于任何 LiDAR 数据集的物理真实雾模拟方法。实验结果表明，我们的方法可以明显提高雾天环境下的 3D 目标检测性能，并为通过现有真实数据集提供了强有力的检测结果。

Aug, 2021

本研究通过提出基于 CycleGAN 架构的域自适应框架，在从真实 3D LiDAR 传感器获取的鸟瞰（BEV）点云图像上检测车辆时，将合成的点云数据与真实点云数据之间的领域转移缩小，相对于常规方法提高了超过 7% 的平均精确度分数。

May, 2019

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