本文研究了基于课程学习方式的单目视觉里程计估计问题，提出了一种新的几何感知的目标函数来同时优化相对和复合变换，然后通过级联光流网络和循环网络来学习该目标，在三个真实数据集上的表现优于现有的基于特征和基于学习的视觉里程估计算法。

Mar, 2019

自动驾驶中的 LiDAR 数据集存在诸如点云密度、范围和物体尺寸等属性偏差，因此在不同环境中训练和评估的物体检测网络往往会遇到性能下降的问题。为了解决这个问题，域自适应方法假设可以获取来自测试分布的未标注样本。但是，在实际世界中，部署条件和获得代表测试数据集的样本可能无法获得。我们认为，更现实和具有挑战性的形式是要求对未知目标域具有性能的鲁棒性。我们提出了一种双重方式来解决这个问题。首先，我们利用大多数自动驾驶数据集中存在的配对的 LiDAR - 图像数据进行多模态物体检测。我们建议通过利用图像和 LiDAR 点云的多模态特征来进行场景理解任务，从而使得物体检测器对未知域的转换更加鲁棒。其次，我们训练一个 3D 物体检测器，在不同分布之间学习多模态物体特征，并促进这些源域之间的特征不变性，以提高对未知目标域的泛化性能。为此，我们提出了 CLIX$^ ext {3D}$，它是一个用于 3D 物体检测的多模态融合和有监督对比学习框架，它在对不同数据集转换下实现了最先进的域泛化性能。

Apr, 2024

三维物体检测中的 LiDAR 和相机相结合开发算法容易出现过拟合问题，为此我们提出了一种名为 DAL 的新方法，通过模仿数据注释流程构建一个简单的预测流水线，并通过简单的训练优化其依赖性和可移植性，在性能、速度和准确性方面均具有综合优势，是未来工作开发和实际部署的理想基准。

Nov, 2023

本文描述了一种多模态方法，使用模拟的激光雷达数据，通过光线追踪和图像像素损失与可微分渲染相结合，优化物体在计算机图形场景中相对于观察者或某些参考对象的位置。通过梯度下降完成物体位置优化，损失函数受两种模态影响。将图像像素损失与可微分渲染结合的传统物体放置优化方法相比，本文表明使用第二种模态（激光雷达）可以更快地收敛。将传感器输入融合的这种方法对于自动驾驶车辆具有潜在的有用性，因为这些方法可以用于确定场景中多个参与者的位置。本文还提出了一种用于培训自动驾驶车辆的多种类型数据的模拟方法。

Sep, 2023

该研究使用物体分割指导模型正确定位物体，使用 “多示例课程学习” 方法逐渐拓展训练集，获得了比现有方法更好的效果。

Nov, 2017

本文提出 Real-Aug，一种基于综合数据生成的数据增强方法，重视生成真实的 LiDAR 扫描，以及系统地验证其对各种探测器和数据集的有效性。

May, 2023

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

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

本文介绍了一种基于数据增强的方法，通过多次利用已有数据，使用现实世界中的数据模拟给点云数据进行物体检测和语义分割训练。此方法在 KITTI 物体检测和 SemanticKITTI 语义分割挑战赛中取得了显著的性能提升。

Jun, 2022

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