融合多扫描一致性与互补性
将隐式空间形状估计转化为元素到集合的特征提取，从多扫描点云中聚合出最优SDF潜在编码，实现野外车辆高保真重建。
Liu, Yibo · Kelly, Zhu · Wu, Guile · Ren, Yuan · Bingbing, Liu · Yang, Liu · Shan, Jinjun
2023
方法不依赖稠密输入，而是从多扫描点云中聚合信息，因此能应对自动驾驶场景中的部分观测噪声。
通过多扫描一致性与互补性分析，将隐式空间形状估计转化为元素到集合的特征提取，实现更高保真度重建。
在Waymo和KITTI两个真实自动驾驶数据集上均取得定性和定量优势，证明其实际可用性。
通过神经网络自动学习最优SDF表示，避免手工设计形状先验或特征，简化流程。