该研究设计了 FPS-Net 网络，利用点云投影图像的不同特征进行多模态特征融合，旨在优化点云的分段。该网络的有效性在广泛实验中得到证明，可以实现优于现有方法的语义分割，并且引入的多模态融合思想也兼容于典型的投影方法。

Mar, 2021

本文提出了一种基于 TFNet 的 LiDAR 语义分割方法，利用时间信息来解决范围图像有限的角度分辨率引起的 “一对多” 问题，并设计了一种基于最大投票的后处理技术来纠正错误预测。在两个基准测试和三种模态的七种主干网络上的实验证明了我们方法的有效性和可扩展性。

Sep, 2023

提出了一种基于点云、体素和全景图形的融合网络 (RPVNet) 来进行细粒度分割定位任务，在深度融合框架中，利用多个互补图形视角之间的信息交互，采用门控融合模块，提出了高效的 RPV 交互机制，并在两个大规模数据集 SemanticKITTI 和 nuScenes 上展示了该方法的先进性。该方法目前在 SemanticKITTI 排行榜上排名第一，没有任何额外技巧。

Mar, 2021

本文中提出了基于投影的 LiDAR 语义分割 Pipeline，通过设计新颖的网络结构和高效的后处理步骤，在 SemanticKITTI 数据集上取得了最佳性能。

Sep, 2021

为实现自动驾驶和智能机器人的感知系统中对激光雷达传感器进行实时分割，本文提出了一种名为 Meta-RangeSeg 的新方法，该方法引入了全新的范围残差图像表示来捕获二三维之间的空间 - temporal 信息，并使用有效的 U-Net 骨干和特征聚合模块来提取多尺度特征，进一步强化范围通道的作用。

Feb, 2022

通过引入球体金字塔结构和基于哈希的表示，本文提出了一种新颖的 Spherical Frustum sparse Convolution Network (SFCNet) 方法，实现了 LiDAR 点云的语义分割，避免了量化信息损失。

Nov, 2023

本研究提出了一种多尺度 LiDAR 辅助透视变换神经网络，利用点云信息将图像特征投影到俯视图中，从而在大幅度提升语义网格生成方面取得了实质性的进展，实现了 25FPS 的实时性能。

Feb, 2023

本文提出了 LaserNet，一种 3D 物体检测的计算有效方法，它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率，并使用全卷积网络来预测每个点的 3D 框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。

Mar, 2019

本文提出了一种利用过去帧信息改善当前帧预测的基于 LiDAR 点云时序的语义分割模型，通过使用记忆网络存储、更新和检索过去信息，并在点云邻域中惩罚预测变化，构建稀疏的 3D 潜在表示来克服遮挡等限制，实验证明该方法在 SemanticKITTI、nuScenes 和 PandaSet 数据集上比现有方法更有效。

Nov, 2023

该研究提出了一种基于双向融合网络的多传感器融合道路分割方法，该方法利用摄像机成像空间和点云鸟瞰图空间之间的密集空间变换模块以及基于场景的特征融合模块，有效地解决了道路远景损失等问题，并在 KITTI 数据集上取得了有竞争力的结果。

Apr, 2020