未知丶的博客

留个笔记自用FlowStep3D: Model Unrolling for Self-Supervised Scene Flow Estimation做什么Scene Flow Estimation场景流预测也就是提供两帧后估计场景中每个点的三维运动，可以理解成包含3D信息的场景配准做了什么这里提出了一个迭代式的步骤，没有用端到端的方法学习，而是用步骤化来细化场景流预测，然后用强正则化方法证明了解的迭代收敛性怎么做首先是场景流的问题定义，就像前面所说的，输入是两组点云S和T，pi∈R3∈

留个笔记自用PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving Paths做什么Point Cloud Completion点云补全，简单来说，由于扫描限制，扫描得到的结果可能是一个不完整的稀疏点云，任务目标就是保证形状和全局的前提下进行上采样一样的工作，将稀疏点云构造成具有局部信息的稠密点云做了什么这里点云补全的方法是来模拟移动行为，将不完整点云中的逐个点进行移动，也就是根据总的点移动距离的约束，为每个点预测

留个笔记自用Variational Relational Point Completion Network做什么Point Cloud Completion点云补全，简单来说，由于扫描限制，扫描得到的结果可能是一个不完整的稀疏点云，任务目标就是保证形状和全局的前提下进行上采样一样的工作，将稀疏点云构造成具有局部信息的稠密点云做了什么这里提出了一个初始化补全再精化补全的结构，初始化部分使用了根据全局形状的概率建模，补全部分则使用了注意力机制怎么做整体结构两个部分组成，第一部分PMNet，采

留个笔记自用Generalizing to the Open World: Deep Visual Odometry with Online Adaptation做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可以求出两帧之

留个笔记自用D3VO: Deep Depth, Deep Pose and Deep Uncertainty for Monocular Visual Odometry做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可以求出

留个笔记自用Delving into Deep Imbalanced Regression做什么Imbalanced Regression回归不平衡问题从具有连续目标的不平衡数据中学习，处理某些目标值的潜在缺失数据，并推广到整个目标范围，即如上图所展示，一些连续回归任务中数据分布不平衡，存在缺少某些值的情况，这会对网络的预测存在影响，极端情况下可能无论任何输入他的输出都会是某一类别做了什么这里提出了两种解决回归不平衡的方式。标签分布平滑(LDS)和特征分布平滑(FDS)，通过使用核分布在标

留个笔记自用Unsupervised Learning of Fine Structure Generation for 3D Point Clouds by 2D Projection Matching做什么2D to 3D point clouds由2D图像生成3D点云顾名思义，任务的目的是使用一张2D图片生成该图片中物体所对应的3D点云集做了什么这里的方法是将三维点云学习视为一个2D投影匹配问题。引入结构自适应采样来随机采样轮廓内的2D点，而不是使用整个2D轮廓图像作为规则像素监督，缓

留个笔记自用Continuous scale-space direct image alignment for visual odometry from RGB-D images做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束

留个笔记自用Optimizing RGB-D Fusion for Accurate 6DoF Pose Estimation做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可以求出两帧之间的运动信息（旋转矩阵R和平移t）。

留个笔记自用Tight Integration of Feature-based Relocalization in Monocular Direct Visual Odometry做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及

留个笔记自用LVI-SAM: Tightly-coupled Lidar-Visual-Inertial Odometry via Smoothing and Mapping做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可

留个笔记自用Deep Online Correction for Monocular Visual Odometry做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数）以及约束，可以求出两帧之间的运动信息（旋转矩阵R和平移t）。这样我们就

留个笔记自用Accurate and Robust Scale Recovery for Monocular Visual Odometry Based on Plane Geometry做什么Monocular Visual Odometry单目视觉里程计相机在运动过程中连续两帧之间会存在overlap，即会同时观测到三维世界中的某些场景以及特征点。而这些场景特征点会投射到2D图片上，通过图片的对齐或者特征的匹配，可以找到前后图片上特点或patch的对应关系。利用相机的成像几何模型（包括相机参数

留个笔记自用Complete & Label: A Domain Adaptation Approach to Semantic Segmentation of LiDAR Point Clouds做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深

留个笔记自用Automatic Hyper-Parameter Tuning for Black-box LiDAR Odometry做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也

留个笔记自用Poisson Surface Reconstruction for LiDAR Odometry and Mapping做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也

留个笔记自用PSF-LO: Parameterized Semantic Features Based Lidar Odometry做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就

留个笔记自用Unsupervised Learning of Lidar Features for Use in a Probabilistic Trajectory Estimator做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器

留个笔记自用Efficient LiDAR Odometry for Autonomous Driving做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有

留个笔记自用CNN for IMU Assisted Odometry Estimation using Velodyne LiDAR做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也

留个笔记自用CAE-LO: LiDAR Odometry Leveraging Fully Unsupervised Convolutional Auto-Encoder Based Interest Point Detection and Feature Description做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用

留个笔记自用Self-supervised Learning of LiDAR Odometry for Robotic Applications做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远

留个笔记自用D3DLO: DEEP 3D LIDAR ODOMETRY做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有知道了里程计，才能准确将机器人扫描出

留个笔记自用DMLO: Deep Matching LiDAR Odometry做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有知道了里程计，才能准确将机

留个笔记自用DeepLO: Geometry-Aware Deep LiDAR Odometry做什么Lidar Odometry激光雷达里程计，里程计作为移动机器人相对定位的有效传感器，为机器人提供了实时的位姿信息。移动机器人里程计模型决定于移动机器人结构和运动方式，即移动机器人运动学模型。简单来说，里程计是一种利用从移动传感器获得的数据来估计物体位置随时间的变化而改变的方法用建图的方式来理解，要实现机器人的定位与导航，就需要知道机器人走了多远，往哪走，也就是初始位姿和终点位姿，只有知道了里程

留个笔记自用融合掩码预测的激光雷达⾃运动估计做什么做了什么怎么做总结

留个笔记自用AXIAL ATTENTION IN MULTIDIMENSIONAL TRANSFORMERS做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么这里又是一种trans

留个笔记自用REFORMER: THE EFFICIENT TRANSFORMER做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么众所周知的大型transformer这种东西很费

留个笔记自用SYNTHESIZER: RETHINKING SELF-ATTENTION FOR TRANSFORMER MODELS做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什

留个笔记自用Linformer: Self-Attention with Linear Complexity做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么这里设计了一款tran

留个笔记自用PCT: Point Cloud Transformer做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么设计了一种sparse attention的计算方法，引入了一

留个笔记自用PCT: Point Cloud Transformer做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么跟另外一篇Point transformer的说法非常相似，将

留个笔记自用Point Transformer做什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般的3D点云都是使用深度传感器扫描得到的，可以简单理解为相比2维点，点云是3D的采样做了什么怎么做总结...

留个笔记自用GNN3DMOT: Graph Neural Network for 3D Multi-Object Tracking with 2D-3D Multi-Feature Learning做什么3D object detection。3维目标检测对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的而所谓的object tracking就是目标追踪，就是在detect的基础上增加了一个时序性，常见的

留个笔记自用Joint 3D Instance Segmentation and Object Detection for Autonomous Driving做什么Instance segmentation实例分割目标检测（ Object detection）不仅需要提供图像中物体的类别，还需要提供物体的位置（bounding box）。语义分割（ Semantic segmentation）需要预测出输入图像的每一个像素点属于哪一类的标签。实例分割（ instance segmentation

留个笔记自用Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud做什么3D object detection。3维目标检测对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的做了什么对于点云常见的处理方法有很多，有grid也就是分voxel然后使用CNN的，有Sets也就是邻域然后提取种子点特征的这里设计了一种

留个笔记自用P2B: Point-to-Box Network for 3D Object Tracking in Point Clouds做什么3D object detection。3维目标检测对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的做了什么首先定位嵌入目标信息的3D搜索区域中的潜在目标中心，然后联合执行点驱动三维目标建议和验证，简单来说这里做的主要是对采样种子而不是3D盒子进行操作怎

留个笔记自用xMUDA: Cross-Modal Unsupervised Domain Adaptation for 3D Semantic Segmentation做什么3D object detection。3维目标检测对于输入的3D点云，像2D一样使用一个bounding box去将相应的物体包围起来，不过这里使用的bounding box也同样变成了3维的做了什么怎么做总结...

留个笔记自用xMUDA: Cross-Modal Unsupervised Domain Adaptation for 3D Semantic Segmentation做什么Instance segmentation实例分割目标检测（ Object detection）不仅需要提供图像中物体的类别，还需要提供物体的位置（bounding box）。语义分割（ Semantic segmentation）需要预测出输入图像的每一个像素点属于哪一类的标签。实例分割（ instance segmenta

留个笔记自用PointASNL: Robust Point Clouds Processing using Nonlocal Neural Networks with Adaptive Sampling做什么首先先得理解点云是什么点云的概念：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”（Point Cloud）。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等等，不一一列举。一般