图像点云数据融合方法汇总

点击上方“3D视觉工坊”，选择“星标”

干货第一时间送达

作者丨eyesighting@知乎

来源丨https://zhuanlan.zhihu.com/p/422935212

编辑丨3D视觉工坊

多传感器融合—综述

检索主页：arxiv.org

检索时间：2021.10.08

1、用于多传感器3D目标检测的深度连续融合：https://arxiv.org/abs/2012.10992

2、用于自动驾驶汽车导航和测绘的多传感器融合：https://arxiv.org/abs/2103.13719

3、用于3D目标检测的多任务多传感器融合：https://arxiv.org/abs/2012.12397

4、自动驾驶中图像和点云融合的深度学习：https://arxiv.org/abs/2004.05224

5、自动驾驶中的多模态3D目标检测：https://arxiv.org/abs/2106.12735

6、多任务多传感器融合目标检测：https://openaccess.thecvf.com/content_CVPR_2019/html/Liang_Multi-Task_Multi-Sensor_Fusion_for_3D_Object_Detection_CVPR_2019_paper.html

多传感器融合—论文

检索主页：arxiv.org

检索关键词：image point cloud fusion

检索时间：2021.10.08

1、用于自动驾驶的多视图 3D 目标检测网络：https://arxiv.org/abs/1611.07759

2、一种多莫泰 3D 环境学习方法融合：https://arxiv.org/abs/1705.08624

3、无需辅助物体或人为干预的 3D 测距仪和相机的外部校准：https://arxiv.org/abs/1703.04391

4、融合鸟瞰 LIDAR 点云和前视摄像头图像用于深度物体检测：https://arxiv.org/abs/1711.06703

5、来自视图聚合的联合 3D 建议生成和对象检测：https://arxiv.org/abs/1712.02294

6、使用伪连体 CNN 识别 SAR 和光学图像中的相应补丁：https://arxiv.org/abs/1801.08467

7、一种融合异构数据源的新方法：https://arxiv.org/abs/1803.00138

8、使用置信度预测的优先多视图立体深度图生成：https://arxiv.org/abs/1803.08323

9、使用传感器融合测距法估计运动的 LiDAR 和相机校准：https://arxiv.org/abs/1804.05178

10、使用全卷积神经网络进行道路检测的相机与雷达融合：https://arxiv.org/abs/1809.07941

11、具有 RGB 引导和不确定性的稀疏和嘈杂的 LiDAR 完成：https://arxiv.org/abs/1902.05356

12、通过用于自动驾驶的彩色嵌入 3D 重建进行准确的单目目标检测：https://arxiv.org/abs/1903.11444

13、LATTE：通过传感器融合、一键注释和跟踪加速 LiDAR 点云注释：https://arxiv.org/abs/1904.09085

14、使用 Image-LiDAR 数据融合进行道路分割：https://arxiv.org/abs/1905.11559

15、基于RGB和LiDAR融合的自动驾驶3D语义分割：https://arxiv.org/abs/1906.00208

16、用于精确密集 3D 重建的 LiDAR-Camera Fusion 联合优化方法：https://arxiv.org/abs/1907.00930

17、LiDARTag：点云的实时基准标签系统：https://arxiv.org/abs/1908.10349

18、MLOD：一种基于鲁棒特征融合方法的多视角3D物体检测：https://arxiv.org/abs/1909.04163

19、用于 3D 场景理解的多视图 PointNet：https://arxiv.org/abs/1909.13603

20、基于目标的 3D LiDAR 相机校准的改进：https://arxiv.org/abs/1910.03126

21、用于 3D 目标检测的多模态局部特征的自适应和方位角感知融合网络：https://arxiv.org/abs/1910.04392

22、PI-RCNN：一种高效的多传感器 3D 目标检测器，具有基于点的注意力集中 Cont-conv 融合模块：https://arxiv.org/abs/1911.06084

23、PointPainting：用于 3D 对象检测的顺序融合：https://arxiv.org/abs/1911.10150

24、FusionMapping：使用单目图像和 2D 激光扫描学习深度预测：https://arxiv.org/abs/1912.00096

25、结构化环境点云中基于线的相机姿态估计：https://arxiv.org/abs/1912.05013

26、SelectFusion：选择性学习多感官融合的通用框架：https://arxiv.org/abs/1912.13077

27、ImVoteNet：使用图像投票提升点云中的 3D 对象检测：https://arxiv.org/abs/2001.10692

28、在自动驾驶中利用不确定性进行深度多模态物体检测：https://arxiv.org/abs/2002.00216

29、MANet：用于 3D 形状识别的基于多模态注意力网络的点视图融合：https://arxiv.org/abs/2002.12573

30、HVNet：用于基于 LiDAR 的 3D 对象检测的混合体素网络：https://arxiv.org/abs/2003.00186

31、语义传感器融合：从相机到稀疏激光雷达信息：https://arxiv.org/abs/2003.01871

32、FusionLane：使用深度神经网络进行车道标记语义分割的多传感器融合：https://arxiv.org/abs/2003.04404

33、BiFNet：用于道路分割的双向融合网络：https://arxiv.org/abs/2004.08582

34、查看来自多个深度传感器的不变人体检测和姿势估计：https://arxiv.org/abs/2005.04258

35、用于 3D 对象检测的立体 RGB 和更深的基于激光雷达的网络：https://arxiv.org/abs/2006.05187

36、深度多模态融合网络在复杂环境下的自主导航：https://arxiv.org/abs/2007.15945

37、EPNet：使用图像语义增强点特征以进行 3D 对象检测：https://arxiv.org/abs/2007.08856

38、跨模态 3D 对象检测：https://arxiv.org/abs/2008.10436

39、RoIFusion：来自 LiDAR 和视觉的 3D 目标检测：https://arxiv.org/abs/2009.04554

40、用于自动驾驶汽车联合目标检测和距离估计的雷达-相机传感器融合：https://arxiv.org/abs/2009.08428

41、MAFF-Net：使用多模态自适应特征融合过滤 3D 车辆检测的误报：https://arxiv.org/abs/2009.10945

42、SemanticVoxels：使用 LiDAR 点云和语义分割进行 3D 行人检测的顺序融合：https://arxiv.org/abs/2009.12276

43、位移传感器汽车雷达成像：https://arxiv.org/abs/2010.04085

44、AGNO-RPN：用于分辨率不可知检测的 LIDAR-Camera 区域深度网络：https://arxiv.org/abs/2012.05740

45、FPS-Net：用于大规模激光雷达点云分割的卷积融合网络：https://arxiv.org/abs/2103.00738

46、处理表示：关于多模态语义的图像、点云和网格之间的信息传递：https://arxiv.org/abs/2103.07348

47、3D-FFS：在基于传感器融合的网络中使用聚焦视锥搜索更快的 3D 对象检测：https://arxiv.org/abs/2103.08294

48、对用于 3D 汽车检测的 Camera-LiDAR 模型的对抗性攻击：https://arxiv.org/abs/2103.09448

49、体积传播网络：用于远程深度估计的立体激光雷达融合：https://arxiv.org/abs/2103.12964

50、RPVNet：用于激光雷达点云分割的深度高效的距离-点-体素融合网络：https://arxiv.org/abs/2103.12978

51、MinkLoc++：用于地点识别的激光雷达和单目图像融合：https://arxiv.org/abs/2104.05327

52、视图引导的点云补全：https://arxiv.org/abs/2104.05666

53、传感器融合在未来车载网络中对目标检测的作用：https://arxiv.org/abs/2104.11785

54、了解您的环境：通过多模态协作进行全景多对象跟踪：https://arxiv.org/abs/2105.14683

55、FusionPainting：具有自适应注意力的多模态融合，用于 3D 对象检测：https://arxiv.org/abs/2106.12449

56、用于 3D LiDAR 语义分割的感知感知多传感器融合：https://arxiv.org/abs/2106.15277

57、用于 3D 语义分割的相似性感知融合网络：https://arxiv.org/abs/2107.01579

58、用于 3D 目标检测的多模态任务级联：https://arxiv.org/abs/2107.04013

59、无人机多模态实时语义融合：https://arxiv.org/abs/2108.06608

60、LIF-Seg：用于 3D LiDAR 语义分割的 LiDAR 和相机图像融合：https://arxiv.org/abs/2108.07511

61、MBDF-Net：用于 3D 对象检测的多分支深度融合网络：https://arxiv.org/abs/2108.12863

62、使用 BEV 投影进行高效的城市规模点云分割：https://arxiv.org/abs/2109.09074

本文仅做学术分享，如有侵权，请联系删文。

3D视觉精品课程推荐：

1.面向自动驾驶领域的多传感器数据融合技术

2.面向自动驾驶领域的3D点云目标检测全栈学习路线！(单模态+多模态/数据+代码)
3.彻底搞透视觉三维重建：原理剖析、代码讲解、及优化改进
4.国内首个面向工业级实战的点云处理课程
5.激光-视觉-IMU-GPS融合SLAM算法梳理和代码讲解
6.彻底搞懂视觉-惯性SLAM：基于VINS-Fusion正式开课啦
7.彻底搞懂基于LOAM框架的3D激光SLAM: 源码剖析到算法优化
8.彻底剖析室内、室外激光SLAM关键算法原理、代码和实战(cartographer+LOAM +LIO-SAM)

9.从零搭建一套结构光3D重建系统[理论+源码+实践]

10.单目深度估计方法：算法梳理与代码实现

11.自动驾驶中的深度学习模型部署实战

12.相机模型与标定(单目+双目+鱼眼）

13.重磅！四旋翼飞行器：算法与实战

重磅！3DCVer-学术论文写作投稿 交流群已成立

扫码添加小助手微信，可申请加入3D视觉工坊-学术论文写作与投稿 微信交流群，旨在交流顶会、顶刊、SCI、EI等写作与投稿事宜。

同时也可申请加入我们的细分方向交流群，目前主要有3D视觉、CV&深度学习、SLAM、三维重建、点云后处理、自动驾驶、多传感器融合、CV入门、三维测量、VR/AR、3D人脸识别、医疗影像、缺陷检测、行人重识别、目标跟踪、视觉产品落地、视觉竞赛、车牌识别、硬件选型、学术交流、求职交流、ORB-SLAM系列源码交流、深度估计等微信群。

一定要备注：研究方向+学校/公司+昵称，例如：”3D视觉 + 上海交大 + 静静“。请按照格式备注，可快速被通过且邀请进群。原创投稿也请联系。

▲长按加微信群或投稿

▲长按关注公众号

3D视觉从入门到精通知识星球：针对3D视觉领域的视频课程（三维重建系列、三维点云系列、结构光系列、手眼标定、相机标定、激光/视觉SLAM、自动驾驶等）、知识点汇总、入门进阶学习路线、最新paper分享、疑问解答五个方面进行深耕，更有各类大厂的算法工程人员进行技术指导。与此同时，星球将联合知名企业发布3D视觉相关算法开发岗位以及项目对接信息，打造成集技术与就业为一体的铁杆粉丝聚集区，近4000星球成员为创造更好的AI世界共同进步，知识星球入口：

学习3D视觉核心技术，扫描查看介绍，3天内无条件退款

 圈里有高质量教程资料、答疑解惑、助你高效解决问题

觉得有用，麻烦给个赞和在看~