本文提出了一种基于 3D 点云数据的变化检测方法 ——Encoder Fusion SiamKPConv 网络，通过对 Siamese KPConv 网络提供手工特征和变化相关特征，该方法在提高交并比的同时，避免了栅格化过程中的信息损失，优于当前 SoTA 方法。

Apr, 2023

该论文旨在检测不同摄像机位置和不同时间实例获得的同一 3D 场景的两幅 “自然环境中” 的图像之间发生的变化，通过贡献一个基于合成数据训练的、类别不可知的变化检测模型，使用 “登记与差异” 方法，能够在没有精细调整的情况下对真实世界图像进行准确处理，并且无需额外的地面真实数据。同时，作者还提供了一组用于评估的实际图像对，其中包含人工标注的差异，并展示了该方法的有效性。

Aug, 2023

本文提出了一种无监督方法 DeepCluster 3D Change Detection（DC3DCD），用于检测和分类多类变化，基于 3D 点云，并在模拟和真实数据集上进行了评估，结果深度聚类与标记方法相比具有较高的准确性和竞争性。

May, 2023

本文提出了一种基于 CAD 模型的方法，结合现有的大规模三维模型数据集，构建了一种可以检测现实世界图像中物体的 CAD 模型表示方法，并且证明了与现有技术相比，该方法在真实世界图像中有着优势。

Jul, 2020

本文提出一种基于深度学习的点云配准和不规则物体提取的三维点云变化检测方法，并利用地图合并算法建立一个公共的坐标系，通过提取 3D 点云的鲁棒且具有区分性的特征来检测连续点云帧之间的变化并且找到变化区域，最后通过与两个时间点比较来提取任何导致该区域改变的障碍物。该方法在现场实验中得到成功评估，能够检测出 3D 点云中的不同类型的变化，具有构筑物施工安全监控，测绘和勘探等领域的重要应用和发展前景。

Jun, 2023

提出了一种基于点云的场景变化检测算法，以实现未来太空栖息地的自主机器人照料，该算法使用原始未标记点云作为输入，并通过修改的期望最大化高斯混合模型聚类和地球移动距离的比较来进行变化检测，并使用 NASA Ames Granite 实验室的测试数据集进行定量和定性验证及运行时间分析。

Dec, 2023

我们提出了一种新颖的无需训练的场景变化检测方法，该方法利用跟踪模型进行连续帧变化检测，通过识别共同物体和检测新的或缺失的物体。我们还通过引入自适应内容阈值和样式桥接层解决了输入图像之间的内容差异和样式差异问题，并将该方法扩展到视频以提高场景变化检测性能。通过各种实验证明，我们的方法在不同领域上表现出一致的性能，证明了我们方法的竞争力。

Jun, 2024

综述了近期基于深度学习的三维物体分割，涵盖了 150 多篇文章，总结了最常用的算法流程、讨论了它们的优缺点，并分析了这些分割方法的竞争结果，最后提出了未来的研究方向。

Mar, 2021

SAM3D 是一个创新的框架，通过利用 RGB 图像中的 Segment-Anything 模型而无需进一步训练或微调，能够在 3D 点云中预测掩模，首先预测具有 SAM 的 RGB 图像的分割掩模，然后将 2D 掩模投影到 3D 点中。最后，两个相邻帧的点云掩模以双向合并的方式进行合并，最终可以将不同帧预测出的 3D 掩模逐渐合并为整个 3D 场景的 3D 掩模，实验结果表明 SAM3D 能够在不需要对 SAM 进行训练或微调的情况下，实现合理和细粒度的 3D 分割结果。

Jun, 2023

本研究探讨了无监督多模态变化检测在时效性任务和综合多时序地球监测中的重要性，并介绍了利用光学高分辨率图像和 OpenStreetMap（OSM）数据进行无监督多模态变化检测的方法。我们通过使用视觉基础模型 Segmentation Anything Model（SAM）来解决这一任务，利用 SAM 的优秀的零样本迁移能力获得高质量的光学图像分割图，从而能够直接比较这两种异构数据形态。我们引入了两种策略来指导 SAM 的分割过程：'no-prompt' 方法和 'box/mask prompt' 方法。这两种策略分别用于检测一般情况下的土地覆盖变化和在已有背景下识别新的土地覆盖对象。在三个数据集上的实验结果表明，所提出的方法与代表性的无监督多模态变化检测方法相比能够取得更具竞争力的结果。

Jan, 2024