使用 SGC-Net 对被车辆遮挡的点云场景进行间隙填补
本文介绍了由移动激光扫描系统在加拿大多伦多获取的大型城市室外点云数据集Toronto-3D，覆盖约1公里的点云，包含大约7830万个点，共有8个标记的物体类别，通过基准实验进行语义分割，结果表明该数据集可以有效地训练深度学习模型，以此鼓励新的研究并且尽可能更新改进。
Mar, 2020
该研究提出了一个神经网络模型，命名为VPC-Net，用于从移动激光扫描系统获取的点云数据中合成完整、密集、统一的车辆点云数据，以用于3D车辆监测任务，具有良好的性能表现与结果。
Aug, 2020
我们提出了一种端到端的语义分割辅助场景补全网络，包括2D补全分支和3D语义分割分支，以提供语义信息。通过采用BEV表示和3D稀疏卷积，我们可以从较低的操作数中受益，同时保持有效的表达。此方法在SemanticKITTI数据集上表现出有竞争力的性能和低延迟。
Sep, 2021
本文通过自监督学习中的修补法算法 PointPnCNet，使用 LiDAR 数据进行点云补全，以解决遮挡问题，我们的方法在 ShapeNet 和 Semantic KITTI 的数据集中，表现优于前人的无监督和弱监督方法。
Nov, 2021
本文提出了一种名为SDS-Complete的方法，该方法利用预训练的文本到图像扩散模型，借助给定不完整点云对象的文本语义获取完整的表面表示，其可以有效地重建通过现实世界深度传感器和LiDAR扫描仪捕获的不完整扫描物体，相较于当前方法平均减少了50％的Chamfer损失。
Jun, 2023
实现语义场景补全(SSC)的PointSSC是首个针对语义场景补全的车辆基础设施合作点云基准，其利用点云作为轻量级替代方案，旨在提供语义标签的室外点云场景基准测试，准确度量验证真实导航中语义点云补全的进展。
Sep, 2023
本研究提出了一种创新的框架，通过使用单个LiDAR系统、点密度填充和零样本学习技术，以及提取感兴趣对象的高低、加速度和速度等特征，实现了交通流量数据收集、物体检测和自动生成立体包围盒的自动化，从而克服了多个LiDAR系统和复杂的立体标注过程的限制。
Jan, 2024
通过点云补全技术完成对不完整数据的处理，建立新的真实世界基准Building-PCC数据集来评估现有深度学习方法在城市建筑点云补全任务中的性能，并通过对不同方法的综合评估，分析在建筑点云补全中面临的关键挑战，旨在促进3D地理信息应用领域的创新。
Apr, 2024
本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。
May, 2024