本文旨在研究基于传感器融合技术的三维语义分割，将RGB图像转化为LiDAR所使用的极坐标网格映射表示，并设计了早期和中期融合架构，同时提出了融合两种算法的混合融合结构。在KITTI数据集中评估了所提出算法的效果，并相对于仅使用LiDAR的基线模型，在两种最先进的算法SqueezeSeg和PointSeg上分别提高了10%的分割精度。

Jun, 2019

这篇论文提出了一种基于多视角融合的 3D 点云语义分割方法，通过对球面和鸟瞰图进行高效的二维卷积神经网络分割，结合两个视角的分割结果，有效缓解了单个视角方法中存在的信息损失问题，既能提高准确率又能保证速度，在 SemanticKITTI 数据集上实现了高准确率（mIoU为 55.5），同时比目前最先进的基于投影的方法 RangeNet++ 和 PolarNet 分别快1.6倍和3.1倍。

Nov, 2020

该论文提出了一种新的框架，使用圆柱形分区和不对称 3D 卷积网络来探索 3D 几何模式，并引入点智能精炼模块以减轻损失体素标签编码的干扰；测试表明，该方法在 SemanticKITTI 和 nuScenes 数据集上超过现有方法，排名第一并且较现有方法提高了约 4％。

Nov, 2020

本文提出了一种基于学习的语义分割框架，其利用上下文形状先验知识，在LiDAR点云序列的帮助下将单个点云序列完成从稀疏的单扫描点云到密集的点云的语义分割任务，并在SemanticKITTI和SemanticPOSS数据集上取得了显著的性能提升。

Dec, 2020

该研究关注于针对实际采集的大规模点云数据进行语义分割，并提出了一种自适应融合方法在点水平上进行准确的分割。

Mar, 2021

提出了一种基于点云、体素和全景图形的融合网络(RPVNet)来进行细粒度分割定位任务，在深度融合框架中，利用多个互补图形视角之间的信息交互，采用门控融合模块，提出了高效的RPV交互机制，并在两个大规模数据集SemanticKITTI和nuScenes上展示了该方法的先进性。该方法目前在SemanticKITTI排行榜上排名第一，没有任何额外技巧。

Mar, 2021

本文章提出了一种基于感知信息的多传感器融合策略（PMF），用于自动驾驶等应用中的3D LiDAR语义分割，通过两个模态的外观和空间深度信息进行感知信息融合并且提出了感知相关的损失函数用于衡量两种模式之间的差异性，实验结果证明了该方法的优越性。

Jun, 2021

该论文提出了一种利用3D卷积网络进行 LiDAR 语义分割、全景分割和3D检测的新框架，其中采用了柱状分割和非对称 3D 卷积网络来探索3D几何模式，该模型在 SemanticKITTI，nuScenes 和 A2D2 上的结果均表现出最先进的性能并在分割和检测任务中显示出很好的泛化性能。

Sep, 2021

本论文提出了2DPASS方法，该方法利用2D图像重要的视觉外观，通过辅助modal融合和multi-scale融合，丰富了多模态数据的语义和结构信息，并将这些信息在纯3D网络上进行在线蒸馏。实验结果表明，2DPASS可在仅由点云输入的情况下显著提高基线模型的性能，同时在大规模基准测试SemanticKITTI和NuScenes中均取得了最优结果。

Jul, 2022

我们提出了一种具有交叉模态知识蒸馏的双向融合网络（CMDFusion），通过2D到3D融合和3D到2D融合显式和隐式增强了3D特征，并通过从2D网络到3D网络的蒸馏传递2D知识，使得3D网络能够根据3D LIDAR输入生成2D信息，无需在推理过程中使用RGB图像。我们的CMDFusion在SemanticKITTI和nuScenes数据集上表现出了最佳性能。

Jul, 2023