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

通过图形感知原型对齐（GPA）框架和加权对比损失最小化类不平衡，结合 Faster R-CNN 的特征对齐方式，可实现目标探测跨域适应。

Mar, 2020

本文提出了 Query-Guided Prototype Adaption (QGPA) 模块并通过引入 Self-Reconstruction （SR）来增强原型的表示以适应点云的大内部类特征差异和极少量数据，最终在 S3DIS 和 ScanNet 基准测试中超越最先进的算法，其中还考虑到零样本的情况

May, 2023

我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

Nov, 2023

本文提出了一种基于几何感知的自我训练（GAST）方法，通过两种自监督几何学习任务作为特征规则化，以学习语义类别的域共享表示来提高对实际数据中基于点的几何体的未见分布的判别力。实验表明，我们的 GAST 方法可以显著优于现有的最先进方法。

Aug, 2021

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。

Dec, 2022

介绍了一种无锚点、无 NMS 的 3D 点云目标检测器，使用对象关键点编码 3D 属性实现端到端检测，利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能，并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。

Jun, 2020

提出了一种新的基于几何感知网络的域自适应模型，通过利用更紧凑的三维几何点云表示来缩小领域差距，显式利用从 RGB-D 图像生成的点云的三维拓扑结构进行伪标签的细化，解决了估计二维深度时无法从根本上提取对象的内部三维信息的问题，并在 GTA5->Cityscapes 和 SYNTHIA->Cityscapes 两个领域中表现出的定量和定性的有效性，超越了现有的技术水平。

Dec, 2022

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

提出了一种用于高分辨率三维点云的无监督检测几何异常的新方法，该方法将学生 - 教师异常检测框架适应到三维领域，并利用一种自监督预训练策略构建具有表达能力的教师网络，实现局部几何描述符的提取，实验结果表明该方法在性能、运行时间和内存消耗等方面都具有较好的应用前景。

Feb, 2022