该研究提出了一种实时重建大规模戶外动态环境的端到端系统，可以在维持追踪动态物体姿态信息和保证实时运行的情况下，提供具有高质量的密集 3D 重建效果。

Mar, 2019

本文介绍了一种通过采用从野外视频数据中提取的三维监督来重建手持物体的方法，并使用数据驱动的三维形状先验进行训练，结果表明这种间接的三维监督信号可以在没有直接现实世界三维监督的情况下有效地预测真实世界中的手持物体的三维形状。

May, 2023

本文介绍了一种基于数据增强的方法，通过多次利用已有数据，使用现实世界中的数据模拟给点云数据进行物体检测和语义分割训练。此方法在 KITTI 物体检测和 SemanticKITTI 语义分割挑战赛中取得了显著的性能提升。

Jun, 2022

在具有重度遮挡的视频序列中，通过使用人体运动先验、大规模预训练的三维姿势和自监督学习，借助于时间连续性的潜力，提高给定视频序列中的三维姿势估计，从而在包含遮挡的自然环境视频中得到连续的三维姿势估计。

Dec, 2023

本研究探讨了结合实际图片和虚拟对象的增量学习方法，通过少量用户交互的方式，将虚拟对象添加到实际图片中，从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明，增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。

Aug, 2017

本文介绍了一种新的标注方法，将人类监督与预训练的神经网络相结合，生成每个实例的三维点云分割，三维边界框和类别注释，以减少训练自动驾驶的 3D 物体检测器所需的任务复杂性和注释人员所需的任务切换量，实验结果表明，该方法相比传统方法减少了 30 倍人工标注时间。

Jul, 2018

本研究提出了一种有效的 RGB 图像 / 视频的遮挡检测和重建框架，采用卷积神经网络进行遮挡检测，Conv-LSTM 和自编码器用于重建遮挡帧和使用条件生成对抗网络微调和修复重建的 RGB 帧，通过与其他先进技术比较分析，我们的方法在各种数据集上展现出鲁棒性，成为现实生活监控系统应用的优秀选择。

Apr, 2023

本文介绍了一种多模态自动标注流程，可以生成用于训练开放式类别的无标注 3D 边界框和轨迹，从而处理自动驾驶等安全关键应用中可能在部署后遇到的新物体类型。相比于当前领域的最新研究，我们的方法可以以无监督的方式处理静态和移动的对象，并通过提出的视觉 - 语言知识蒸馏方法输出开放式词汇的语义标签。基于 Waymo 开放数据集的实验证明，我们的方法在各种无监督 3D 感知任务上显著优于先前的工作。

Sep, 2023

本文提出了一个新颖的框架，利用基于扩散的 2D 修复模型，通过填补物体隐藏部分的 2D 图像来重建完整的表面，以及通过神经隐式表面表示优化每个实例的 3D 重建。实验结果表明，我们的方法在从 RGB-D 视频中进行物体级重建时达到了最先进的准确性和完整性。

Aug, 2023

本文探讨了使用合成图像训练最先进的对象检测器，特别是针对对象实例检测。我们在实际环境的图像中将纹理对象模型的 2D 图像叠加在一起，以便在各种位置和比例上进行训练。通过这些实验，我们证明了利用现有的对象模型仓库为新对象训练检测器的新机会。

Feb, 2017