从嘈杂和稀疏的部分点云中重建 3D 汽车对于自动驾驶非常重要。我们提出了一种名为 MV-DeepSDF 的新框架，通过估计多次扫描点云中的最优符号距离函数（SDF）形状表示来重建野外汽车。通过在潜在特征空间中分析多次扫描的一致性和互补性，并将隐式空间形状估计问题转化为元素到集合特征提取问题，我们首次探讨了多次扫描的重建。通过设计一种新的架构来提取单个元素级表示并将它们聚合生成集合级的预测潜在代码，得到隐式空间中最优 3D 形状的表达，并可以随后解码为连续的 SDF 汽车。通过对两个实际自动驾驶数据集（Waymo 和 KITTI）进行彻底实验，我们展示了我们的方法在质量和量化方面优于现有的替代方法。

Aug, 2023

本篇研究提出了一种基于八叉树的特征体积的神经无人机距离函数模型，实现了高保真的 3D 形状实时渲染，且在多个方面表现出全球领先的复杂形状重建质量与渲染效率。

Jan, 2021

通过训练图神经网络（GNN），我们提出了新的基于学习的方法来减少碰撞检查的计算量，加速采样空间中的路径规划，并通过随机几何图形（RGGs）和路径探索组件预测无碰撞的边来优化路径探索。

Oct, 2022

本文提出通过联合训练隐式函数和新的粗球面基础表面重构方法解决多视角三维重建中高频细节重建效率低下的问题，并将其应用到多种隐式表面建模方法的训练过程中，从而获得在合成数据和实际数据集上的统一改进。

Sep, 2022

本论文利用对称神经网络建立一种新的对抗性碰撞避免方法，通过在网络权重之间施加约束以减少模型优化搜索空间，提高车辆转向的控制精度，通过在模拟环境中进行训练和验证，分析了提出的方法并评估了其性能，结果表明该方法的学习曲线和一般化性良好。

Mar, 2022

使用神经网络作为边界体积来学习计算机图形和视觉任务中的分类问题，通过改进动态加权非对称损失函数，我们实现了神经边界体积方法相较于传统方法减少了一个数量级的错误判断。

Oct, 2023

该论文旨在提高神经体积渲染中几何表示和重建的质量，通过将体积密度定义为拉普拉斯累积分布函数作为有符号距离函数的表示，实现了形状和外观的有效无监督解缠，并在具有多视图的数据集中获得了高质量的几何重建结果。

Jun, 2021

利用单目深度相机、神经体积记忆和几何先验知识，提出了一种新的方法来解决多种恶劣地形条件下的机器人步态规划问题。

Apr, 2023

该研究论文提出了 MULti-Sweep PAired Detector（MULSPAD），它通过一种深度学习模型在输入缓冲的结束时间和开始时间分别为每个检测到的物体生成一对边界框。而这种成对的检测不仅可以很容易地构建简单的跟踪器，还可以构建更复杂的跟踪器，可以利用成对信息，对运动模型和物体生成 / 死亡模型的选择具有鲁棒性。我们使用 Waymo Open Dataset 进行了初步的训练和实验，结果证明了我们提出方法的有效性。

Feb, 2024

该论文提出了一种几何一致的神经隐式表面多视图重建方法，该方法利用多视觉几何约束和稀疏几何结构信息，结合有符号距离函数优化，以获得高质量的表面重建结果。

May, 2022