该论文设计了第一个实验环境，研究激光雷达语义分割的域泛化问题。通过提出一种具有传输学习功能的网络模型，有效地减少了领域之间的差距，从而解决了同领域分割方法不能满足跨领域泛化问题的难题。

Apr, 2023

利用 LiDAR 传感器获取关于场景的精确几何信息支持自动驾驶，本文提供一种新颖的数据集，旨在为源数据集的性能评估提供跨领域评估，同时提供一个灵活的在线基准测试，以确保各种方法之间的公平比较。

Oct, 2023

利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。

Dec, 2022

本文提出了 LiDAR 蒸馏来弥补由于 3D 物体检测中不同 LiDAR 光束引起的领域差异问题，并通过实验表明该方法有效。

Mar, 2022

该论文研究了如何训练一个来自多个数据集的统一 3D 检测器，提出了一种名为 Uni3D 的方法来解决数据级别和分类学级别的差异，证明了该方法的有效性并对进一步的 3D 泛化研究具有启发意义。

Mar, 2023

本文提出一种快速、灵活的 LiDAR 数据增强方法 LiDomAug，在语义分割任务中结合了学习方法，使得算法能够更好地适应不同规格的 LiDAR 传感器，从而提高了领域自适应能力，并在 SemanticKITTI 和 nuScenes 数据集上取得了最新的领域自适应性能，同时提出了适用于多种 LiDAR 配置的无传感器模型。

Mar, 2023

自动驾驶中的 LiDAR 数据集存在诸如点云密度、范围和物体尺寸等属性偏差，因此在不同环境中训练和评估的物体检测网络往往会遇到性能下降的问题。为了解决这个问题，域自适应方法假设可以获取来自测试分布的未标注样本。但是，在实际世界中，部署条件和获得代表测试数据集的样本可能无法获得。我们认为，更现实和具有挑战性的形式是要求对未知目标域具有性能的鲁棒性。我们提出了一种双重方式来解决这个问题。首先，我们利用大多数自动驾驶数据集中存在的配对的 LiDAR - 图像数据进行多模态物体检测。我们建议通过利用图像和 LiDAR 点云的多模态特征来进行场景理解任务，从而使得物体检测器对未知域的转换更加鲁棒。其次，我们训练一个 3D 物体检测器，在不同分布之间学习多模态物体特征，并促进这些源域之间的特征不变性，以提高对未知目标域的泛化性能。为此，我们提出了 CLIX$^ ext {3D}$，它是一个用于 3D 物体检测的多模态融合和有监督对比学习框架，它在对不同数据集转换下实现了最先进的域泛化性能。

Apr, 2024

在自动驾驶中，高效利用数据对于推进 3D 场景理解至关重要。我们的研究在 LiDAR 语义分割上扩展了半监督学习，利用行驶场景的内在空间先验和多传感器互补来增强无标注数据集的有效性。我们引入了 LaserMix++，这是一个进化的框架，结合了来自不同 LiDAR 扫描的激光束操作，并结合了 LiDAR - 相机对应关系，进一步辅助高效学习。我们的框架旨在通过整合多模态（包括：1）用于细粒度交叉传感器相互作用的多模态 LaserMix 操作；2）增强 LiDAR 特征学习的相机到 LiDAR 特征提炼；和 3）使用开放词汇模型生成辅助监督的语言驱动知识引导）来增强 3D 场景一致性正则化。LaserMix++ 的多功能性使其适用于 LiDAR 表示的各种应用，确立了其作为一种普遍适用的解决方案。通过理论分析和对流行驾驶感知数据集的广泛实验，我们对我们的框架进行了严格验证。结果显示，LaserMix++ 明显优于完全监督的替代方案，在只使用五分之一的注释数据的情况下实现了可比较的准确性，并显著改善了仅使用监督的基准线。这一重大进展突显了半监督方法在减少对标记数据的依赖方面对基于 LiDAR 的 3D 场景理解系统的潜力。

May, 2024

本研究提出了一种新的基于统计学习方法的 LiDAR 全景分割的 UAD 方法，该方法利用数据依赖性和模型依赖性的两种不同的策略来解决无监督域适应问题，并在真实世界自动驾驶数据集上进行了广泛评估，结果显示该方法在 PQ 得分方面优于现有的 UDA 方法高达 6.41pp。

Sep, 2021

本文介绍了一种无监督领域自适应的方法，使用隐式表面表示同时在源数据和目标数据上进行学习的辅助任务来缓解不同激光雷达模式或获取条件变化等原因导致的性能差异，实验证明了该方法比现有技术在合成到真实和真实到真实的情况下均取得了更好的性能。

Apr, 2023