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

本文提出了一种名为EfficientLPS的创新型自顶向下的LiDAR全景分割框架来解决LiDAR点云分割中的多个挑战，包括距离依赖的稀疏性、严重遮挡、大规模变化和重投影误差，并在两个大型LiDAR数据集上实现了状态-of-the-art的效果。

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

介绍了扩展了 nuScenes 数据集的大规模全景 nuScenes 基准数据集，以便对动态城市环境的全景场景理解方法进行研究和评估，同时提出了各种分割和跟踪任务的强基线方法，并提出了面向实例的新型 PAT 指标，解决了现有指标的局限性。

Sep, 2021

我们提出了一种用于lidar全景分割的无需提案的简单而有效的架构。我们使用基于pillar的俯视图表示，联合优化语义分割和非类别实例分类。实例分类头部学习pillar之间的成对亲和力，以确定pillar是否属于同一实例。我们进一步提出了一种局部聚类算法，通过合并语义分割和亲和力预测来传播实例id。我们对nuScenes数据集进行的实验表明，我们的方法优于以前的无需提案的方法，并且与需要来自目标检测的额外注释的提案方法相当。

Apr, 2022

本文提出了一种快速高效的基于LiDAR的Panoptic-PHNet框架，其引入簇伪热图作为新的范例，提出了knn-transformer模块来精确回归前景点之间的相互作用，并将细粒度体素特征与不同感受野的2D俯瞰视图（BEV）特征融合，通过在SemanticKITTI数据集和nuScenes数据集上的大量实验证明Panoptic-PHNet超过了最先进方法，在真实时间内实现了极高的性能。

May, 2022

本篇论文提出了名为 PANet 的新型 LiDAR 宽景分割 (LPS) 框架，采用便于生成稀疏种子点的平衡采样，泡沫位移和连通组件标签算法直接将物点分组形成实例，通过实例聚合模块来提高大型物体的 LPS 性能。与其他文献相比，在 SemanticKITII 验证和 nuScenes 验证中，PANet 在宽景分割任务中的表现达到了最高水平。

Jun, 2023

研究通过聚类策略和点嵌入来改进全景分割的实例分割步骤，以解决同一个语义类别附近实例分割的挑战，实验证明该策略的有效性和多样性。

Jul, 2023

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