- 使用卷积变换器的能量模型进行跨模态定位
使用基于能量的模型框架对非 GPS 地面车辆进行定位，并结合激光雷达传感器和卫星图像进行跨模态测量级定位的方法，实验结果表明其在 KITTI、Pandaset 和自定义数据集上的表现优于现有最优解的方法。
- 基于能量的激光雷达数据中不良天气影响检测
本文提出了一种利用基于能量的框架进行异常点检测的新方法，可以准确识别复杂气象条件下 LiDAR 数据中的噪声，有效提高自动驾驶车辆的可靠性。在广泛的实验中，该方法在异常气象检测方面的表现优于当前最先进的方法，具有更高的鲁棒性，并且可以用于同 - DMNR: 无监督除噪被空中颗粒污染的点云
本文介绍了两种动态滤波方法 (DMNR 和 DMNR-H)，这些方法通过对 WADS 和 DENSE 数据集上杂点和干净点的位置和强度进行准确分析，提高了在气候恶劣条件下检测系统的性能。两种方法的表现优于传统的无监督方法，并且比基于深度学习 - 点云数据的自监督学习：综述
本文介绍了近期基于 DNN 的点云 SSL 的综述，包括定义、动机、背景、基于几种常见 Task-agnostic 预训练的创新分类方法，以及对于基准数据集的实验结果总结，最终给出了针对当前点云 SSL 限制的改进和未来研究方向。
- RadarFormer：轻量级高精度实时雷达物体检测模型
本文通过使用具有长波长的雷达数据集以及开发一种名为 Radarformer 的基于 transformer 的模型，解决了自动驾驶中在恶劣天气下雷达探测的问题，并在 CRUW 雷达数据集上进行了全面实验，表明 Radarformer 在速度 - CVPR野外学习生成隐式神经资产
本文介绍了一种基于真实驾驶数据的生成模型 GINA-3D，其使用相机和 LiDAR 传感器捕获数据，通过学习三平面潜在结构的方法处理姿态与视差，从而创建具有多样性的车辆和行人 3D 模型，并在大规模的样本测试中表现出高质量和多样性。
- CVPRLiDAR 语义分割的即时域增强
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 - Far3Det: 远距离 3D 检测
通过 nuScenes 数据集开发出一种新的远场三维检测评估协议，以评估现有方法的性能，其结论是高分辨率 RGB 可以提高远场物体的三维检测，而 RGB 和激光雷达检测器的融合可以比目前的方法获得更好的检测性能。
- KISS-ICP：支持点对点 ICP 的辩护 —— 如果正确实现，则简单、准确且健壮
研究通过精简核心元素实现了一个在各种环境条件下可操作的简单有效的传感器里程计估计系统，该系统在使用不同类型的 LiDAR 传感器时，仅具有少数参数并且不需要计算 IMU 信息，能够广泛应用于不同的应用场景。
- ECCV基于点云累积的动态 3D 场景分析
本文研究多雷达传感器获取的 3D 激光数据如何通过点云累积的方法对移动场景中的动态物体进行对齐，最终实现更完整的场景重建和表面重建。
- LiDAR 辅助下的 6G 人类阻挡预测
通过基于 LiDAR 传感器的深度学习和射线投射的技术，我们提出了一种端到端的系统来预测未来可能遇到的人体遮挡，从而在不失去数据准确性的情况下，提高确定信号路径的正确性。在 300ms 的窗口期内，本系统可以达到 87% 的准确率，同时保持 - 基于 LiDAR 的循环 3D 语义分割及时间记忆对齐
该论文讨论了自动驾驶汽车中的 3D 环境理解和解释问题，提出了一种基于递归分割架构的方法，该方法将时间序列信息与语义学信息相结合，充分利用了时间信息，提高了分割结果的准确性和效率。
- 利用激光雷达数据的联合 mmWave 波束选择
本文提出一种基于联邦式激光雷达辅助的神经网络方法，通过 V2I 毫米波通信系统中的车联网协同训练以及 LIDAR 数据预处理，在降低系统复杂度的同时提高了系统性能。
- 围绕你的一切：基于范围引导的圆柱形网络用于 3D 物体检测
该研究提出一种新的方法，利用适合扫描模式的坐标系来分析自动驾驶中 LiDAR 传感器所获取到的 3D 数据，并引入了基于范围的卷积方法，其能够根据自我车辆与物体的距离和物体的比例来调整感受野。实验结果在 nuscenes 竞赛上表现良好，可 - 多投影融合用于 3D LiDAR 点云的实时语义分割
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 - 基于域自适应的 LiDAR 点云语义分割完成与标注
本文利用 3D 点云中表面稀疏采样的特征，引入稀疏体素完成网络 (SVCN) 进行前景表面的完成。同时，我们使用局部对抗学习构建 3D 表面的先验知识。结果表明，在处理不同 LiDAR 传感器数据的跨域语义分割问题时，我们提出的方法比现有方 - CVPR基于图像的三维物体检测的端到端伪 LiDAR
本文提出了一种基于可微分的表示变换模块的框架，使得 3D 物体检测与深度估计的深度神经网络能够在此统一的框架中进行端到端的训练，该框架与大多数目前最先进的神经网络兼容，并在 KITTI 基于图像的 3D 物体检测排行榜上获得最高名次。
- RSS-Net: 基于 FMCW 雷达的弱监督多类语义分割
本文介绍了一种有效的注释过程以及其应用，旨在利用 FMCW 扫描雷达对感知环境进行端到端的丰富语义分割。通过利用迄今为止收集的最大雷达集中的城市自治数据集，我们避免了繁琐的手动标注，并将雷达扫描与 RGB 相机和 LiDAR 传感器相关联， - 逆境天气下，基于 CNN 的激光雷达点云去噪
本文提出了基于卷积神经网络的滤波方法，以改善在恶劣天气条件下激光雷达的场景理解表现，并且证明该方法能通过在控制天气环境下的大规模数据集上训练，显著提高性能。
- ICCVFuseMODNet: 基于摄像头和激光雷达的实时低光照强壮自动驾驶移动物体检测
本文提出了一种基于卷积神经网络（CNN）的方法，利用相机和 LiDAR 传感器的运动信息来检测移动物体，以应对低光条件下的自动驾驶车辆中的移动对象检测问题，并在 KITTI 数据集上进行了验证。