本文提出了一种用于点云数据的新型三维领域自适应网络(PointDAN)，通过自适应节点模块和节点注意力模块对局部几何结构和全局特征进行多级联合校准以实现点云数据的三维领域自适应。
Nov, 2019
本文提出了一种新颖的基于领域自适应的方法，以增强点云数据的鲁棒性，成功地解决了3D目标检测中出现的挑战性任务并达到了最先进水平。
Jun, 2020
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
本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的3D物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了KITTI 3D目标检测基准的全监督结果。
Mar, 2021
利用MLC-Net框架中的教师-学生范式生成自适应和可靠的伪目标，实现深度学习在3D物体检测领域可快速交叉域匹配。
Jul, 2021
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
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
提出了一种半监督领域自适应方法，名为“SSDA3D”，包括两个阶段的Point-CutMix模块和Intra-domain Generalization，很好地解决了不同LiDAR配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有10％目标数据标注的情况下，可以超过100％目标标签的完全监督模型。
提出一种密度无关的模型，基于点云数据进行 3D 物体检测。采用了一种随机光束重新采样的方法，对目标领域数据进行训练，实现克服领域差异的目的。实验证明该方法显著提高了检测精度和泛化性能，特别在领域数据不均匀的情况下表现优异。
Apr, 2023
通过系统调查四个在3D目标检测的鲁棒性和领域适应中常常被忽视的设计选择（架构、体素编码、数据增强和锚点策略）以及它们之间的相互作用，我们发现用本地点特征的Transformer主干比3D CNN更加鲁棒，在地理位置适应中关键是在测试时进行的锚点大小调整，源域数据增强允许模型推广到低分辨率传感器，而与预期相反，用干净的天气数据直接训练比用恶劣天气数据训练更能提高对恶劣天气的鲁棒性。我们总结了主要结论和发现，为开发更加鲁棒的3D目标检测方法提供实际指导。
Feb, 2024