视其所见，探测其所示：朝着更好的三维检测目标密集化

Oct, 2023

视其所见，探测其所示：朝着更好的三维检测目标密集化

What You See Is What You Detect: Towards better Object Densification in 3D detection

Tianran Liu, Zeping Zhang Morteza Mousa Pasandi, Robert Laganiere

TL;DR我们提出了一种基于可见部分补全的方法来实现准确的三维检测，通过引入基于网格变形的方法来增强与可见前景物体相关联的点集，我们的方法不需要耗时的全深度补全任务，实验评估表明我们的方法在 KITTI 和 NuScenes 数据集上相对于大多数公共基准模型可以提供高达 12.2％的性能改进，将最新技术带到一个新的水平。

Abstract

Recent works have demonstrated the importance of object completion in 3D Perception from Lidar signal. Several methods have been proposed in which modules were used to densify the point clouds produced by laser s

3d perception object completion point clouds mesh deformation wysiwyd

发现论文，激发创造

所见即所得：利用可视性进行 3D 物体检测

通过在基于体素的网络中添加可见性输入流，结合虚拟物体的合成数据增强和多个时间帧上的 LiDAR 扫描的时间聚合，我们在 NuScenes 3D 检测基准测试中展示了一个状态良好的 3D 检测器整体精度的显着提高。

Dec, 2019

从稀疏点到稠密点云：通过有限的 LiDAR 数据增强 3D 检测

提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

Apr, 2024

DenseLiDAR: 一种实时的伪稠密深度导向深度补全网络

本研究提出了一种新颖的实时伪深度引导深度补全神经网络 DenseLiDAR，利用形态操作得到的稠密伪深度图在三个方面指导网络，取得了最先进的性能，并在 KITTI 3D 对象检测数据集上实现了 3-5％的性能提升，这说明了深度完成结果可以用于改善相关下游任务的潜力。

Aug, 2021

利用视觉深度估计的伪 LiDAR：弥合自动驾驶中 3D 目标检测的差距

本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。

Dec, 2018

多模态虚拟点 3D 检测

通过无缝融合 RGB 传感器到 Lidar 的 3D 识别中，我们提出了一个简单而有效的多模态检测器，该方法利用一组 2D 检测生成密集的虚拟 3D 点，能够增强原来稀疏的 3D 点云，实验结果在大规模 nuScenes 数据集上取得了显着的改进，并超过了竞争融合方法。

Nov, 2021

基于伪激光雷达点云的单目 3D 目标检测

提升单目深度学习算法中对于三维场景物体检测的表现，通过伪 LIDAR 点云实现与 LIDAR 算法的融合，最终在 KITTI 基准测试中取得了最优结果。

Mar, 2019

稀疏融合稠密：基于深度补全的高质量 3D 检测

本文提出了一种基于 SFD 框架的多模态方法，采用由深度补全生成的伪点云来解决点云稀疏性问题，并提出一种新的 3D RoI 融合策略 3D-GAF 来更好地利用不同类型点云的信息。同时，本文还介绍了通过数据增强等措施让多模态框架利用 LIDAR-only 方法。最后，实验表明本文所提出的方法在 KITTI 3D 目标检测排行榜上获得了最高的入口，证明了其有效性。

Mar, 2022

概率和几何深度：透视中的物体检测

该文通过构建几何相关图，利用概率表示来解决单目三维检测的问题，从而提高了检测性能并保持实时性的有效性。

Jul, 2021

全天候深度补全

我们提出了一种在不同光照条件下进行深度估计的方法，该方法通过多传感器融合的方式解决了低照度区域光度学信息不足的问题。我们的方法利用丰富的合成数据首先近似了三维场景结构，并通过学习从稀疏到（粗糙的）密集深度图的映射及其预测不确定性来引导深度的精修，从而提高了稀疏深度处理的效果。我们在 nuScenes 数据集上展示了该方法在不同场景中的改进表现。

May, 2024

针对三维物体检测的基于语义感知的仅激光雷达伪点云生成

通过使用 LiDAR 传感器和场景语义，我们提供了一种新的仅依靠 LiDAR 传感器的增强型原始扫描的稠密伪点云框架，无需摄像机，该框架首先利用分割模型从原始点云中提取场景语义，然后使用多模态的域转换器生成伪图像分割和深度提示，从而生成一种富含语义信息的稠密伪点云，并通过引入新的语义引导投影方法增强检测性能。

Sep, 2023