本文提出 Real-Aug，一种基于综合数据生成的数据增强方法，重视生成真实的 LiDAR 扫描，以及系统地验证其对各种探测器和数据集的有效性。

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

本文研究了 LiDAR 技术的数据增强技术，探讨了全局和局部增强技术的不同使用方式，通过在 KITTI 数据集上的实验表明了两种数据增强技术都有可能促进 3D 目标检测方法的性能，但个别增强技术例如物体平移对全局性能有负面影响，作者认为这些结论同样适用于其他最前沿的 3D 目标检测方法，并在 STF 数据集上验证了实验结果，最大提升了 1.7% 的 3D mAP。

Apr, 2020

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

本研究提出了一种自适应数据增强方法，称为 DDAug，它通过动态建立一棵树状结构，使用高效的蒙特卡罗树搜索算法来更新、修剪和采样该树，从而自动优化数据集的数据增强管道，实验结果表明该方法优于当前最先进的数据增强策略。

May, 2023

本研究调查了数据增广对城市街景图像数据集中用于实施自动驾驶感知的实时可行驶区域分割模型的性能和鲁棒性的影响。结果表明，采用数据增广可以在不增加模型复杂性或推断时间的情况下显着提高现有技术的性能和鲁棒性。

Aug, 2022

提出了一种新的事件数据增强方法，通过引入场景中的随机移动物体的合成事件来解决覆盖问题；该方法在多个动态视觉传感器分类数据集上进行了测试，使得 top1 准确率相对提升了最多 6.5%；此外，还将增强技术应用于真实世界的汽车事件数据集，特别是对行人的检测准确率提高了最多 5%。

Jan, 2024

本文提出了基于局部的数据增强方法，即 PA-AUG，可以更好地利用 3D 标签的丰富信息来增强 3D 物体探测器的性能。该方法可用于所有类型的 KITTI 数据集，具有等效的增加训练数据 2.5 倍的效果，并且对损坏的数据也具有鲁棒性。

Jul, 2020

通过生成伪 LiDAR 点云并进行对象级领域对齐和地图信息的上下文感知放置，我们提出了一种名为 PGT-Aug 的方法，用于处理典型的由实际数据采集引起的类别不平衡问题。我们在多个基准数据集上进行了广泛实验证明了我们方法的优越性和通用性，尤其是在由不同 LiDAR 配置捕获的领域差异较大的数据集上。

Mar, 2024

通过 SurfaceAug，我们提出了一种新颖的地面真值采样算法，在多模态目标检测中实现了新的性能突破，超越了现有方法，为多模态数据增强提供了有力支持。

Dec, 2023