激光雷达产生的点云是大多数先进3D目标检测器的主要来源。然而，由于点云稀疏、物体遮挡和不准确的激光反射等原因，检测小、远和不完整的物体仍然极具挑战性，这也阻碍了3D目标检测精度和鲁棒性的进一步提高。

为了提升3D目标检测的性能，研究者们提出通过点云上采样和点云补全等方式稠密化点云，以此来补全目标，提高3D目标检测的性能。但这些工作要么需要额外的数据预处理和推理，增加了计算量并降低了检测效率，要么在稀疏区域生成的点云不完整，严重限制了这些区域的性能。此外，在大型场景种执行这些操作，也会花费很长时间。

在NeurIPS 2022会议上，香港中文大学在读博士王天宇等人提出了一个新的网络框架 Sparse2Dense。该网络分为两个阶段，首先是高密度点3D目标检测器，它是用稠密的点云进行3D目标检测的预训练；之后是稀疏点云3D目标检测器，它是用原始点云作为输入进行训练的，使其能够学习从规则点云中产生高质量的3D特征，从而提高检测性能。实验证明该网络框架在Waymo和Waymo域自适应这两个开放数据集上取得了有SOTA的性能。

1月4日晚7点，「AI新青年讲座」第188讲邀请到香港中文大学在读博士王天宇参与，主讲《基于稀疏点云的3D目标检测》。