该研究旨在发展一种统一模型，能够处理不同的 LiDAR 数据集，实现多个数据集的训练和在异构平台上的部署，通过几何重新对齐和语义标签映射来促进训练并减少性能下降。通过在 OpenOccupancy-nuScenes 和 SemanticKITTI 两个著名数据集上进行全面实验，验证了 UniLiDAR 在填补 LiDAR 领域差距方面的有效性，相比直接合并数据集训练的模型，其占有率预测的 mIoU 分别提高了 15.7% 和 12.5%，并且优于在个别数据集上训练的多种最先进方法。

Mar, 2024

本研究提出了一种基于视觉 - 语言模型的视觉语义分割方法，通过在源领域进行训练并在未见目标领域进行评估，提高了领域通用性。实验证明，该方法在域通用分割中的性能优于传统的视觉训练方法，取得了 7.6% mIoU 的提升。同时，在主流数据集上取得了 76.48% mIoU 的性能，超过了此前最优方法 6.9% mIoU 的水平。还表明该方法在领域内具有强大的泛化能力，并在当前排行榜上与最优方法并列第一。

Dec, 2023

利用 LiDAR 传感器获取关于场景的精确几何信息支持自动驾驶，本文提供一种新颖的数据集，旨在为源数据集的性能评估提供跨领域评估，同时提供一个灵活的在线基准测试，以确保各种方法之间的公平比较。

Oct, 2023

本文提出一种快速、灵活的 LiDAR 数据增强方法 LiDomAug，在语义分割任务中结合了学习方法，使得算法能够更好地适应不同规格的 LiDAR 传感器，从而提高了领域自适应能力，并在 SemanticKITTI 和 nuScenes 数据集上取得了最新的领域自适应性能，同时提出了适用于多种 LiDAR 配置的无传感器模型。

Mar, 2023

通过提出一种高效的多任务学习框架 LiSD，将分割和检测任务集成在一起，以优化整体性能， 它是一种基于体素的编码器 - 解码器框架，包含分层特征协作和整体信息聚合模块，以及利用跨任务信息的实例感知细化模块。我们在 nuScenes 数据集和 Waymo Open 数据集上进行了实验验证，结果表明我们提出的模型的有效性，尤其是在只使用 lidar 的方法中，LiSD 在 nuScenes 分割基准测试中达到了 83.3％的 mIoU，领先于其他方法。

Jun, 2024

本文提出一种基于多任务架构的视觉定位方法，通过将几何和语义信息融合到多尺度的嵌入表示中，使用有效的多尺度特征鉴别器进行对抗性训练，从虚拟数据集到现实世界数据集的领域适应，以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证，结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。

Oct, 2020

我们提出了一种名为 DGInStyle 的高效数据生成流水线，通过将预训练的潜在扩散模型（LDM）专门用于语义控制生成，设计一种多分辨率潜在融合技术来克服 LDM 对主导对象的偏见，并提出一种样式交换技术来赋予丰富的生成先验学习的语义控制。使用 DGInStyle，我们生成了一个多样化的街景数据集，在其上训练了一个领域无关的语义分割模型，并在多个流行的自动驾驶数据集上评估了该模型的性能，我们的方法一致提高了几种领域泛化方法的性能，在某些情况下比之前的最先进方法提高了 2.5 个 mIoU，而没有我们的生成增强方案。

Dec, 2023

该论文介绍了一种新的三维激光雷达语义分割设置，利用交叉模态和跨域学习（CoMoDaL）方法，通过构建混合数据样本和应用多个约束来实现无需标记三维激光雷达数据的分割。

Aug, 2023

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

本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg，用于三维激光雷达点云的智能语义分割，在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。

Mar, 2021