🏛️ 会议/期刊：arxiv 📅 发表年份：2021 💻 开源代码：OBMO_GUPNet 📄 论文题目：OCM3D: Object-Centric Monocular 3D Object Detection 1. 文献背景、研究目的与核心问题 研究背景：单目 3D 目标检测（Monocular 3D Object Detection）是一个高度病态（ill-posed）的问题。主流方法通常依赖纯图像或将其转化为伪激光雷达（Pseudo-LiDAR）点云。然而，前者难以捕捉像素间的 3D 空间几何关系，后者则受困于单目深度估计带来的巨大点云噪声。 ...
🏛️ 会议/期刊：CVPR 📅 发表年份：2024 💻 开源代码：无 📄 论文题目：Improving Distant 3D Object Detection Using 2D Box Supervision 这篇由 NVIDIA 等机构的研究人员发表在 CVPR 2024 的重磅论文 《Improving Distant 3D Object Detection Using 2D Box Supervision》(简称 LR3D)，切入了一个目前高阶自动驾驶极其头疼的落地难题：远距离感知（Long-Range Detection）。它展示了如何用最廉价的标注，榨取单目视觉在远距离上的极限潜力。 ...
🏛️ 会议/期刊：ICCV 📅 发表年份：2023 💻 开源代码：Xianpeng919/monoxiver (ICCV'23) 📄 论文题目：Monocular 3D Object Detection with Bounding Box Denoising in 3D by Perceiver 这篇发表于 ICCV 2023 的论文 《Monocular 3D Object Detection with Bounding Box Denoising in 3D by Perceiver》(简称 MonoXiver)，提供了一个非常经典且极具工程价值的“自上而下（Top-down）”纠错思路。它并没有试图发明一种全新的主干网络，而是设计了一个强大的“插件”，专门用来拯救那些定位不准的预测框。 ...
🏛️ 会议/期刊：ICLR 📅 发表年份：2026 💻 开源代码：无 📄 论文题目：PLOT: Pseudo-Labeling via Object Tracking for Monocular 3D Object Detection 一、 背景、研究目的与核心问题 研究背景： 单目 3D 目标检测模型极度“吃数据”。然而，人工标注 3D 边界框极其昂贵且耗时，导致目前带 3D 标签的数据集规模很小，严重限制了模型的泛化能力。 ...
🏛️ 会议/期刊：CVPR / ICCV / ECCV 📅 发表年份：2026 💻 开源代码：无 📄 论文题目：SpikeSMOKE: Spiking Neural Networks for Monocular 3D Object Detection with Cross-Scale Gated Coding 一、 背景、研究目的与核心问题 研究背景： 在自动驾驶等领域，3D 目标检测是核心技术。其中，“单目 3D 目标检测”由于仅依赖单张图像，硬件成本极低，备受青睐。然而，传统基于人工神经网络（ANNs）的模型计算量大、能耗极高，给边缘计算设备的电池续航和散热带来了巨大压力。 ...
🏛️ 会议/期刊：ICRA 📅 发表年份：2025 💻 开源代码：GitHub 链接 📄 论文题目：MonoCT: Overcoming Monocular 3D Detection Domain Shift with Consistent Teacher Models 0. 一句话总结 (TL;DR) (这篇论文用什么方法，解决了什么问题，达到了什么效果) MonoCT 提出了一种基于一致性教师模型（Consistent Teacher）的半监督自适应框架，通过在目标域（Target Domain）引入伪标签一致性约束，有效解决了单目 3D 检测在不同数据集间迁移时的深度估计偏差问题。 ...
