通过生成伪 LiDAR 点云并进行对象级领域对齐和地图信息的上下文感知放置，我们提出了一种名为 PGT-Aug 的方法，用于处理典型的由实际数据采集引起的类别不平衡问题。我们在多个基准数据集上进行了广泛实验证明了我们方法的优越性和通用性，尤其是在由不同 LiDAR 配置捕获的领域差异较大的数据集上。

Mar, 2024

本文提出 Real-Aug，一种基于综合数据生成的数据增强方法，重视生成真实的 LiDAR 扫描，以及系统地验证其对各种探测器和数据集的有效性。

May, 2023

提出了一种新的增强技术 —— 假阳性采样，目的在于克服底标采样的局限性，通过使用被模型预测为假阳性的点云来对模型进行再训练，进而改善 3D 对象检测模型的性能。该技术结合底标采样和假阳性采样的原理，应用课程学习的概念来制定采样策略，实验结果表明，采用假阳性采样的模型减少了假阳性，并显著提升了对象检测性能，相比基准模型在 KITTI 和 Waymo Open 数据集上有了较大的优势。

Mar, 2024

本文介绍了一种基于数据增强的方法，通过多次利用已有数据，使用现实世界中的数据模拟给点云数据进行物体检测和语义分割训练。此方法在 KITTI 物体检测和 SemanticKITTI 语义分割挑战赛中取得了显著的性能提升。

Jun, 2022

提出了一种适用于动态场景的 LiDAR 数据增强方法 D-Aug，该方法通过提取对象并将其插入动态场景，考虑这些对象在连续帧之间的连续性，并采用参考引导方法实现无缝插入动态场景，同时还提出了像素级道路识别策略来有效确定适合的插入位置，通过与不同的 3D 检测和跟踪方法在 nuScenes 数据集上进行验证，实验证明了 D-Aug 方法的优越性。

Apr, 2024

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

本文研究了 LiDAR 技术的数据增强技术，探讨了全局和局部增强技术的不同使用方式，通过在 KITTI 数据集上的实验表明了两种数据增强技术都有可能促进 3D 目标检测方法的性能，但个别增强技术例如物体平移对全局性能有负面影响，作者认为这些结论同样适用于其他最前沿的 3D 目标检测方法，并在 STF 数据集上验证了实验结果，最大提升了 1.7% 的 3D mAP。

Apr, 2020

本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。

Jul, 2020

我们提出了 TripletMix，一种新的方法来解决多模态数据增强在 3D 理解中的问题，通过混合增强的原则同时增强文本、图像和点云三种模态数据，从而提高模型的跨模态理解能力和泛化能力。

May, 2024

该研究提出一种新的方法，通过教会单模（LiDAR）三维目标探测器模拟多模（LiDAR 图像）探测器的特征和响应来提高其效率，从而实现在推断时只需要 LiDAR 数据的目标识别，经过实验，这种方法在性能上优于所有 SOTA 的 LiDAR-only 3D 检测器，甚至超越了基线 LiDAR-image 检测器，填补了单模与多模检测器之间的 72％mAP 差距。

Jun, 2022