本研究提出一种简单而灵活的框架，可同时在点云中进行实例和语义分割，通过学习语义感知的点级实例嵌入使实例分割受益于语义分割，同时融合属于同一实例的点的语义特征，以进行更精确的每点语义预测。此方法在3D实例分割上表现优异，并显著提高了3D语义分割。

Feb, 2019

本文提出了一种名为Panoster的新型无需分类器的全景分割方法，通过学习聚类解决方案来生成类不可知分割，不仅快速而且能够在SemanticKITTI基准测试中超过现有方法，并展示了如何在现有的语义架构中灵活地有效地应用我们的方法来提供全景预测。

Oct, 2020

本文提出了Dynamic Shifting Network(DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在SemanticKITTI和nuScenes数据集上取得了优秀的性能表现。

Nov, 2020

提出一种新的4D全景LiDAR分割方法，将语义类和时间一致的实例ID分配给3D点序列，使用点为中心的评估度量来确定每个点的语义类别，将对象实例建模为4D时空域中的概率分布，从而以更高效的方式处理多个点云。这项工作展望未来的超高效LiDAR全景感知。

Feb, 2021

提出了一种名为Panoptic-PolarNet的快速而强健的LiDAR点云全景分割框架，使用极坐标鸟瞰图表示进行语义分割和类无关实例聚类，以解决城市街景中实例的遮挡问题，实验结果表明Panoptic-PolarNet在benchmark数据集上表现优异。

Mar, 2021

本文旨在针对户外移动映射数据的全景分割问题，建立一个模块化的全局视点分割流水线，通过全面的系统实验来评估全景分割的状态，并提供首个公共数据集。

Apr, 2023

本文提出了一个简单而有效的基于检测的网络，用于激光雷达全景分割和追踪任务，通过使用点级别注释训练目标实例检测分支，以及使用轨迹级别监督回归模态中心和物体范围来获取细粒度实例段，该方法在多个3D/4D LPS基准测试中表现出色，超过最新的基于查询的模型，建立了新的开源模型的最新技术水平。

Oct, 2023

通过无监督学习的方法，使用LiDAR传感器，构建了一个算法来预测3D场景中的实例分割，其中通过权重代理图生成3D实例掩模建议，并使用自我训练算法对初始嘈杂的提议进行强化，以生成场景级实例分割。在SemanticKITTI基准测试中，该方法相较于最佳基准模型获得了13.3%的平均准确率和9.1%的F1分数提升。

Mar, 2024

本研究解决了在激光雷达点云中进行在线目标分割和跟踪时缺乏手动标注的问题。我们提出了一种新的训练方案，允许在无监督的条件下实现目标的实例分割和追踪，利用伪标签进行训练。该方法在两个户外激光雷达数据集上表现出优越性，具有重要的实际应用潜力。

Sep, 2024

本研究解决了激光雷达全景分割（LPS）在自主驾驶车辆安全部署中的关键性问题，提出了在开放世界背景下的LPS方法（LiPSOW）。通过在预定义语义类别词汇上训练模型，并研究其对出现新实例的泛化能力，我们发现基于类无关的点聚类方法在未知类别上表现优异，最终提出了一种统一的分割方法，不仅在已知类别上有所突破，还能有效处理未知类别。

Sep, 2024