本文提出了一种名为Panoster的新型无需分类器的全景分割方法，通过学习聚类解决方案来生成类不可知分割，不仅快速而且能够在SemanticKITTI基准测试中超过现有方法，并展示了如何在现有的语义架构中灵活地有效地应用我们的方法来提供全景预测。
Oct, 2020
本文提出了Dynamic Shifting Network(DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在SemanticKITTI和nuScenes数据集上取得了优秀的性能表现。
Nov, 2020
本文提出了一种名为EfficientLPS的创新型自顶向下的LiDAR全景分割框架来解决LiDAR点云分割中的多个挑战，包括距离依赖的稀疏性、严重遮挡、大规模变化和重投影误差，并在两个大型LiDAR数据集上实现了状态-of-the-art的效果。
Feb, 2021
提出了一种名为Panoptic-PolarNet的快速而强健的LiDAR点云全景分割框架，使用极坐标鸟瞰图表示进行语义分割和类无关实例聚类，以解决城市街景中实例的遮挡问题，实验结果表明Panoptic-PolarNet在benchmark数据集上表现优异。
Mar, 2021
本文提出了一种混合方法，结合现有语义分割网络和传统的LiDAR点云聚类算法，通过在SemanticKITTI数据集的全景分割排行榜上表现出最领先的性能，证明基于几何的传统聚类算法值得考虑，我们是第一个尝试使用聚类算法进行点云全景分割的研究者，记录了四种具有代表性和实时运行速度的聚类方法的综合技术调查，并将它们实现为Python函数发布，以便其他研究人员使用。
Aug, 2021
介绍了扩展了 nuScenes 数据集的大规模全景 nuScenes 基准数据集，以便对动态城市环境的全景场景理解方法进行研究和评估，同时提出了各种分割和跟踪任务的强基线方法，并提出了面向实例的新型 PAT 指标，解决了现有指标的局限性。
Sep, 2021
本文提出了一种快速高效的基于LiDAR的Panoptic-PHNet框架，其引入簇伪热图作为新的范例，提出了knn-transformer模块来精确回归前景点之间的相互作用，并将细粒度体素特征与不同感受野的2D俯瞰视图（BEV）特征融合，通过在SemanticKITTI数据集和nuScenes数据集上的大量实验证明Panoptic-PHNet超过了最先进方法，在真实时间内实现了极高的性能。
May, 2022
该研究提出了一种基于LIDAR点云数据的开放式语义分割任务，使用REdundAncy cLassifier框架解决开放式语义分割和增量学习问题，并在SemanticKITTI和nuScenes数据集上达到了最先进的性能，同步解决了灾难性遗忘问题。
Jul, 2022
研究通过聚类策略和点嵌入来改进全景分割的实例分割步骤，以解决同一个语义类别附近实例分割的挑战，实验证明该策略的有效性和多样性。
Jul, 2023
本文提出了一个简单而有效的基于检测的网络，用于激光雷达全景分割和追踪任务，通过使用点级别注释训练目标实例检测分支，以及使用轨迹级别监督回归模态中心和物体范围来获取细粒度实例段，该方法在多个3D/4D LPS基准测试中表现出色，超过最新的基于查询的模型，建立了新的开源模型的最新技术水平。
Oct, 2023