本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

Dec, 2021

本文探究了点云中三维物体检测的鲁棒性问题，引入了一种新的 TANet 模型，其中 Triple Attention 模块和 Coarse-to-Fine Regression 模块的结合提高了模型性能，实验结果在 KITTI 数据集上排名第一，较之现有最先进模型运行速度更快，且准确性更高。

Dec, 2019

本篇研究提出了一种基于点云的三维物体检测框架，采用两个阶段的方法，利用体素表示和点云原始数据的优势进行特征提取，并在 KITTI 数据集上进行评估，取得了 3D 和 Bird's Eye View（BEV）检测的最新成果，检测速度达到了每秒 15 帧。

Aug, 2019

此篇研究论文提出一种灵活的模块 ASAP 进行点云的时空特征学习，在考虑多帧跨帧信息的同时结合注意力和结构信息，提高了点云序列的分割准确性和泛化能力，并在 Synthia 和 SemanticKITTI 数据集上表现出比基线和以往方法更好的效果。

Aug, 2020

本研究提出了一种基于 LIDAR 传感器的一阶段 3D 目标检测器，该检测器在从点数据中提取特征上表现出更好的性能，并在 KITTI-3D 基准测试中表现优异，其速度和准确性在实际场景中具有实际应用价值。

Jun, 2019

通过稀疏跨尺度注意力网络，结合全局体素编码注意力捕捉实例上下文的长距离关系，以提高过分割大型对象的回归精度，并采用实例中心的稀疏无类表示来处理面积聚合点，实现稀疏卷积以减少网络计算量。在 SemanticKITTI 数据集上，我们的方法在 3D LiDAR 全景分割任务中取得了很大进展，以实时推理速度获得了第一名。

Jan, 2022

这篇研究提出了一种新的架构，pCTFusion，它结合了基于核的卷积和自注意机制，以便更好地进行特征学习，并捕捉分割中的局部和全局依赖关系。该架构在 SemanticKITTI 室外数据集上进行评估，与现有的先进架构相比，性能提高了 5-7％，特别是对于常因类别不平衡、空间不足和邻近特征编码而被错误分类的次要类别，效果更加显著。这些方法的发展可以用于复杂数据集的分割，并推动 LiDAR 点云的实际应用。

Jul, 2023

该研究设计了 FPS-Net 网络，利用点云投影图像的不同特征进行多模态特征融合，旨在优化点云的分段。该网络的有效性在广泛实验中得到证明，可以实现优于现有方法的语义分割，并且引入的多模态融合思想也兼容于典型的投影方法。

Mar, 2021

提出了名为 CPSeg 的新型实时端到端全景分割网络，该网络采用共享编码器、双解码器和无聚类实例分割头，以动态支柱化前景点，通过学习嵌入来获得实例标签，并通过成对嵌入比较找到连接柱来转化传统的基于提案或聚类的实例分割为二元分割问题。在 SemanticKITTI 和 nuScenes 两个大规模自动驾驶数据集上进行了基准测试，结果表明 CPSeg 在两个数据集上都达到了实时方法的最先进水平。

Nov, 2021

本文研究了使用两个连续的三维点云来估计场景流的问题，并提出了一种新的分层神经网络架构和双重注意力方法来精细地估计和监督不同级别的场景流和 LiDAR 位置跟踪。

Oct, 2020