本研究提出一种新的两阶段方法，其中包括点云完成模块以恢复高质量的点密集提案和整个视图，同时设计了图神经网络模块，实现了全局本地关联机制和多尺度图形的上下文聚合，显著强化编码特征，实验表明，所提出的方法在 KITTI 基准测试中优于之前的基线算法，突出了其有效性。

Dec, 2020

本论文提出了一种名为 PointRCNN 的算法，该算法利用点云进行 3D 物体检测，通过两阶段的底层生成和高水平精细修正，有效地提高了物体检测的准确度，在 KITTI 数据集上取得了优异的性能。

Dec, 2018

本文提出了一种名为 Graph R-CNN 的二阶段三维目标检测器，它使用动态点聚合、RoI-graph 池化和视觉特征增强等方法，解决了现有二阶段三维目标检测器处理不均匀分布和稀疏室外点时的效率问题，并在 KITTI 和 Waymo Open Dataset 上大幅优于现有模型。

Aug, 2022

提出了一种名为 PointVoxel-RCNN（PV-RCNN）的 3D 物体检测框架，可以使用点云实现准确的物体检测，使用了 3D voxel 卷积神经网络和基于 PointNet 的集合抽象相结合的方法深度学习了更具有区分性的点云特征，并使用 RoI-grid 池化方法编码具有可比性的特征从而实现了更准确的 3D 检测效果。

Dec, 2019

提出了 PointRGCN—— 一种基于图卷积网络（GCN）的图形三维物体检测管道，该管道专门用于对三维 LiDAR 点云进行操作，包含 R-GCN 和 C-GCN 的残差 GCNs 的集成，使用图形表示对三维物体提议进行了改进，并在 bird eye 视图检测任务的简单难度上实现了最先进的性能。

Nov, 2019

本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

Mar, 2021

本文提出了一种新颖的点云融合方法，称为点云卷积注意力融合（PACF）模块，并基于此提出了一种 3D 多传感器多任务网络称为点云 - 图像 RCNN（PI-RCNN）。通过图像分割子网络和 PACF 模块融合多种传感器特征，PI-RCNN 在 3D 物体检测方面表现显著。

Nov, 2019

本文提出了 RBGNet 框架，一种基于投票的 3D 检测器，用于从点云中精确检测 3D 物体。该框架使用基于射线的特征分组模块来聚合物体表面的点特征，以了解物体的形状以增强聚类特征，从而预测 3D 边界框。此外，作者还提出了一种新颖的前景偏置采样策略，以在下采样过程中采样更多物体表面上的点，并显着提高检测性能。

Apr, 2022

本文提出了一种名为金字塔 R-CNN 的框架，用于从点云中进行两阶段三维物体检测。该框架通过金字塔感兴趣区域（RoI）网格、RoI 网格注意力和密度感知半径预测模块，自适应地从稀疏点中学习特征，以解决稀疏和不均衡情况下的检测问题，并在 KITTI 数据集和 Waymo Open 数据集上显著超过最先进的 3D 检测模型。

Sep, 2021

本研究提出了一种基于图神经网络的 LiDAR 点云对象检测方法，采用自动注册机制降低了平移方差，并结合盒子合并和计分运算从多个数据点准确地组合检测结果，在 KITTI 基准测试中，该方法仅使用点云即可实现领先的准确性，甚至胜过融合算法，这显示了使用图神经网络作为三维对象检测的新方法的潜力。

Mar, 2020