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

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

基于 LiDAR 扫描序列，我们提出了一种构建动态环境准确地图的新方法，利用四维场景进行稀疏特征格、全局共享解码器和时变基函数的神经表示，用于滤除动态部分并重建准确完整的三维地图。

May, 2024

基于神经场的实时单目建图框架与密集 SLAM 相结合，利用多分辨率网格编码和有符号距离函数表征进行神经场的高效构建，并通过环路闭合和深度先验进行全局一致性和精度增强，从而优于现有方法，在保持实时性能的同时提高了准确度和地图完整性。

Oct, 2023

在单目三维检测领域，为了提高检测性能常常使用场景几何线索，然而现有的方法明确采用这些线索，例如估计深度图并将其反投影到三维空间。为了缓解这个问题，我们提出了 MonoNeRD，这是一个能够推断密集三维几何和占用的新型检测框架，我们将场景建模为有符号距离函数（SDF），利用体素渲染恢复 RGB 图像和深度图。据我们所知，这项工作首次将体素渲染引入到单目三维检测中，并展示了基于隐式重构的图像三维感知的潜力。在 KITTI-3D 基准和 Waymo 开放数据集上进行的大量实验证明了 MonoNeRD 的有效性。代码可在此 URL 上找到。

Aug, 2023

我们提出了一种新的框架 3DIML，用于从一系列姿态 RGB 图像中学习隐式场景表示，以实现 3D 实例分割，该框架可以有效地学习一个标签场，并且可以在新视角中进行渲染，生成视图一致的实例分割掩码。我们通过对 Replica 和 ScanNet 数据集的序列进行评估，展示了 3DIML 在图像序列的轻度假设下的有效性，相比具有相似质量的现有方法，我们取得了 14-24 倍的加速，展示了它在加快和提高 3D 场景理解方面的潜力。

Mar, 2024

提出了一种新的基于几何和光学的三维地图制图方法，利用稠密单目 SLAM 和实时分层体积神经辐射场技术，通过提供估计准确的位姿和深度图的相关不确定性，实时适应神经辐射场的场景。通过采用提出的基于不确定性的深度损失，实现了良好光学和几何精度，在实时和单目成像的情况下比竞争方法更精确 (最高提高 179% 的 PSNR 和 86% 的 L1 深度)。

Oct, 2022

DeepMapping2 提出了两种新技术，基于地图拓扑的组织训练数据批次，以及借助成对的点云配准进行自监督局部 - 全局点云一致性损失，解决 DeepMapping 在大规模数据集中计算慢、全局定位网络收敛不足和缺少闭环和精确跨帧点对应等问题，实验表明了我们方法的有效性。

Dec, 2022

基于 LiDAR 的 LiDAR4D 框架，通过 4D 混合表示和几何限制，实现了具有几何感和时间一致性的动态重构技术。

Apr, 2024