本论文提出了一种新的域自适应自训练流水线（ST3D），用于基于点云的 3D 物体检测的无监督域自适应。该流水线通过特定的设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度配合伪标记数据中大量的易样本，实现了对所有评估数据集的领先性能，并甚至超过了 KITTI 3D 目标检测基准的全监督结果。

Mar, 2021

本文介绍了一种适用于医学图像分割的、从 2D 到 3D 的 SAM 模型的新颖改进方法，并在 4 个医学数据集上进行了实验，结果表明该方法可以仅通过轻量级的空间适配器有效地捕捉体积医学图像中存在的空间模式。

Jun, 2023

Part123 是一种新颖的从单视图图像进行部分感知三维重建的框架，通过扩散模型生成多视角一致图像，并利用 Segment Anything Model (SAM) 生成多视角分割蒙版，然后通过对比学习将 2D 基于部分信息有效地结合到三维重建中，实验结果表明该方法可以在各种物体上生成具有高质量分割部分的三维模型，相较于现有无结构重建方法，该方法产生的部分感知三维模型对于特征保持重建、基本形状拟合和三维形状编辑等重要应用有益。

May, 2024

我们提出了一种能够在无监督领域适应中实现 3D 物体检测的框架，称为 STAL3D，通过协作自训练和对抗学习利用伪标签和特征分布对齐的互补优势，并设计了面向 3D 跨域场景的背景抑制对抗学习模块和尺度过滤模块，有效减轻了大部分背景干扰和源域尺寸偏差的问题。在多个跨域任务上，我们的 STAL3D 实现了最先进的性能，甚至在 Waymo 到 KITTI 和 Waymo 到 KITTI-rain 任务上超过了 Oracle 结果。

Jun, 2024

本研究提出了一种基于图像与点云的混合特征增强方法，通过利用 SAM 模型在三维领域中的普适性能力，解决了未标注域适应中的领域差异问题，并在三维分割任务中取得了最新的研究进展。

Oct, 2023

通过使用大规模现成的 2D 图像识别模型，探索零样本语义分割 3D 形状的任务。我们的研究表明，现代的零样本 2D 目标检测器比当代的文本 / 图像相似性预测器或甚至零样本 2D 分割网络更适合此任务。我们的核心发现是，使用底层表面的拓扑属性可以从多视角边界框预测中提取精确的 3D 分割图。为此，我们开发了具有拓扑重加权分割任务（SATR）算法，并在 FAUST 和 ShapeNetPart 这两个具有挑战性的基准测试上评估它。在这些数据集上，SATR 实现了最新的性能，并在平均 mIoU 方面至少优于之前的工作 22％。

Apr, 2023

介绍了一种无锚点、无 NMS 的 3D 点云目标检测器，使用对象关键点编码 3D 属性实现端到端检测，利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能，并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。

Jun, 2020

提出了一种半监督领域自适应方法，名为 “SSDA3D”，包括两个阶段的 Point-CutMix 模块和 Intra-domain Generalization，很好地解决了不同 LiDAR 配置、城市和天气等领域间偏移问题，不依赖于大量标注数据，在只有 10％目标数据标注的情况下，可以超过 100％目标标签的完全监督模型。

Dec, 2022

通过使用基于 Transformer 的方法在 3D 空间中扩展了 Segment Anything Model（SAM），我们提出了一种 3D 可提示分割模型（Point-SAM），利用部分级和对象级注释，从 SAM 中生成伪标签，将 2D 知识提取到我们的 3D 模型中，并在室内和室外基准测试中优于最先进的模型，展示了多种应用，如 3D 标注。

Jun, 2024

本文提出了一个直接自适应策略（ADAS）, 通过设计多目标域转移网络（MTDT-Net），使用目标自适应去标准化（TAD）模块将源域的特征转移到目标域，同时使用双向自适应区域选择（BARS）减少类标签之间的歧义。MTDT-Net 和 BARS 的协作使 ADAS 在多目标域适应中取得了最先进的性能。

Mar, 2022