我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

Mar, 2024

本文提出了 SF-UDA^3D 框架，基于伪标注、可逆的尺度转换和运动相干性，将最先进的 PointRCNN 3D 检测器域自适应到无注释目标域中，结果在 KITTI 和 nuScenes 上都优于以前的特征对齐方法和最先进的 3D 目标检测方法。

Oct, 2020

这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法，名为目标导向域增强 (TODA)，它有效利用了所有可用的数据，包括源领域中的标记数据以及目标领域中的标记数据和未标记数据，以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略，TODA 在困难的域适应任务中表现出显著的优势。

Jun, 2024

利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。

Dec, 2022

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

本文提出了一种基于语义点生成的通用方法，通过生成语义点并将其合并到原始点云中，增强了 LiDAR 检测器对域漂移的可靠性，取得了显著的改进，特别是针对自动驾驶中涉及的物体检测任务。

Aug, 2021

提出了一种基于 Bi-domain active learning 的方法 Bi3D，通过 source 和 target 两个域的样本选择策略来解决跨域 3D 目标检测任务，实验结果表明该方法在不同的跨域情况下达到了较好的检测准确率。

Mar, 2023

我们提出了一种能够在无监督领域适应中实现 3D 物体检测的框架，称为 STAL3D，通过协作自训练和对抗学习利用伪标签和特征分布对齐的互补优势，并设计了面向 3D 跨域场景的背景抑制对抗学习模块和尺度过滤模块，有效减轻了大部分背景干扰和源域尺寸偏差的问题。在多个跨域任务上，我们的 STAL3D 实现了最先进的性能，甚至在 Waymo 到 KITTI 和 Waymo 到 KITTI-rain 任务上超过了 Oracle 结果。

Jun, 2024

MS3D++ 是一个用于 3D 目标检测的自我训练框架，通过生成高质量的伪标签实现多源无监督域适应，改进了 3D 检测器在不同领域中的泛化能力，并在 Bird's Eye View（BEV）评估中，使用 MS3D++ 伪标签训练的检测器在低密度和高密度 lidar 的性能上达到了与人工标注标签相媲美的最新水平。

Aug, 2023

我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

Nov, 2023