本研究提出了一种新的稀疏卷积操作，旨在更高效地处理空间稀疏数据，并使用其开发出空间稀疏卷积网络 (SSCNs)。我们在涉及三维点云的语义分割任务中展示了这种模型的强大性能，特别是我们的模型在最近一个语义分割竞赛的测试集上超越了所有以前的最新技术。

Nov, 2017

本文提出了两个基于可学习特征稀疏性和位置重要性预测的新模块：焦点稀疏卷积和其多模式变体，可以很容易地替代现有稀疏卷积神经网络中的基本组件，并以端到端的方式联合训练，该新模块在 KITTI、nuScenes 和 Waymo 基准测试上进行了广泛实验，并在 nuScenes 测试基准中胜过了所有现有的单一模型条目。

Apr, 2022

本研究提出了一种点关注网络，它可以在对 3D 点云进行语义分割时学习丰富的本地形状特征和上下文相关性，并代替传统卷积核或参数共享机制来更有效地处理稀疏的 3D 点云。实验表明，该算法能够与现有的最先进方法同等或更好地处理各种 3D 点云。

Sep, 2019

通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

Aug, 2022

本文研究了稀疏卷积物体检测网络在自动驾驶系统中的应用，通过与基线模型对比，证明了 SKPP-DPVCN 架构在 Car AP4.0 的表现上超过了基线模型和之前的最新技术，同时在平均尺度误差上也实现了显著减少。

Aug, 2023

提出了一种自适应八叉树卷积神经网络（Adaptive O-CNN），用于高效的三维形状编码和解码，通过不同于体素或八叉树方法以相同分辨率表示三维形状的方式，Adaptive O-CNN 在不同级别使用八分之一的八叉树表示，并在每个八叉树的八分之一上用平面路径表示三维形状，在减少内存和计算成本的同时提供了比现有的 3D-CNN 方法更好的形状生成能力。

Sep, 2018

提出了 SparseOcc，一种受稀疏点云处理启发的高效占据网络，利用了无损稀疏潜在表示的三个关键创新。通过空间分解的 3D 稀疏卷积核执行潜在补全的 3D 稀疏扩散器；通过特征金字塔和稀疏插值从其他尺度获取信息；将 Transformer 头改造为稀疏变种。SparseOcc 在 FLOP 上实现了惊人的 74.9% 减少，同时在精确度上有所提高。

Apr, 2024

提出了一种轻量级的 Sparse Point-Voxel Convolution 模块作为基础，通过基于 SPVConv 的灵活体系结构设计空间，实现了 3D Neural Architecture Search 以搜索高效而有效的网络体系结构，并将该方法应用于自动驾驶和 3D 目标检测领域，取得了较好的实验结果。

Jul, 2020

自动驾驶车辆中，实时理解自身车辆周围的三维环境至关重要。本文介绍一种从前视二维相机图像和 LiDAR 扫描中提取特征并使用稀疏卷积网络（Minkowski Engine）进行三维语义占用预测的方法，以解决实时应用中的高计算需求和稀疏场景完整性的问题。

Mar, 2024

本文介绍了一种基于 AF2-S3Net 的端到端编解码 CNN 网络，用于 3D LiDAR 语义分割，并在大规模 SemanticKITTI 基准测试上展示了其优越性能。

Feb, 2021