本研究利用网格表示法提出了高效的方法 ——RoMe，通过多层感知机对三维道路进行了分解，并在每个网格顶点上添加了颜色和语义属性，以保留精细的路面细节。同时引入了一种新的路点抽样方法以提高效率，并提出外部校准优化以提高准确性。在公共数据集上的实验结果表明了 RoMe 的高效性和准确性。

Jun, 2023

本研究介绍了一种利用多层感知机（MLPs）框架来通过输入的世界坐标 x 和 y 在高度、颜色和语义信息方面重构道路表面的新方法。我们的方法 NeRO 使用基于 MLPs 的编码技术，显著提高了对复杂细节的性能，并加快了训练速度，减小了神经网络的大小。通过其卓越的性能，我们证明了该方法的有效性，这表明了在语义应用中渲染道路表面的有希望的方向，特别适用于需要可视化道路状况、4D 标签和语义分组的应用。

May, 2024

本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法，使用隐式表示进行建模。通过浅层多层感知机（MLPs）从隐式特征解码出语义信息和有符号距离值，并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化，最后利用 Marching Cubes 算法对场景进行推断阶段的细分和可视化。与当前最先进的 3D 建图方法相比，我们的框架在三个真实数据集，SemanticKITTI，SemanticPOSS 和 nuScenes 上表现出了很高的效果和效率。

Nov, 2023

通过利用多层感知器作为场景表示，我们展示了在手持 RGB-D 相机的实时 SLAM 系统中，可以实现一个网络的训练来建立一个密集的、场景特定的隐式 3D 模型，该模型由颜色和占用情况构成，该模型可用于即时跟踪。

Mar, 2021

本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法，并利用二进制交叉熵损失来优化局部特征。在此基础上，设计出一种具有正则化性能的增量式映射系统，以解决连续学习中遗忘问题。实验结果显示，本方法相较其他先进技术具有更高的精确性、完成度和内存效率。

Oct, 2022

本文提出了一种基于神经隐式模型的 3D 物体重建方法，通过深度编码器作为初始形状潜码的鲁棒优化器，利用规则化测试时间优化潜码，深度鉴别器作为高维形状先验，并使用新颖的课程学习策略，从而更好地捕捉全局细节，在模糊的基准数据集上表现出色，展示了在真实世界数据上超越现有技术的优越性。

Jan, 2021

该研究提出了一种基于变分自编码器的语义表示方法，实现了对三维语义地图的实时增量建立与空间一致的语义标签融合，可以用于单目关键帧语义映射系统，并能够实现对位姿、几何和语义的联合优化。

Mar, 2019

Real-world objects and environments predominantly consist of edge features. In this paper, the authors propose EMAP, a method for learning 3D edge representations using both lines and curves, utilizing Unsigned Distance Functions (UDF) from multi-view edge maps. The method achieves better 3D edge reconstruction and enhances neural surface reconstruction by capturing more details.

May, 2024

利用多模态数据结合深度学习模型进行密集三维重建，从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。

Feb, 2024

本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。

Jul, 2020