🏛️ 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。

  ]]> https://zhaoylee.github.io/Blogs_lovelt/posts/lr3d--improving-distant-3d-object-detection-using-2d-box-supervision/ Sun, 15 Mar 2026 22:23:00 +0800 zhaoylee https://zhaoylee.github.io/Blogs_lovelt/posts/lr3d--improving-distant-3d-object-detection-using-2d-box-supervision/

  ---

  🏛️ 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。

  ]]> https://zhaoylee.github.io/Blogs_lovelt/posts/plot---pseudo-labeling-via-object-tracking-for-monocular-3d-object-detection/ Sun, 15 Mar 2026 20:52:51 +0800 zhaoylee https://zhaoylee.github.io/Blogs_lovelt/posts/plot---pseudo-labeling-via-object-tracking-for-monocular-3d-object-detection/

  ---

  🏛️ 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。

    ]]> https://zhaoylee.github.io/Blogs_lovelt/posts/spikesmoke--spiking-neural-networks-for-monocular-3d-object-detection-with-cross-scale-gated-coding/ Sun, 15 Mar 2026 19:59:10 +0800 zhaoylee https://zhaoylee.github.io/Blogs_lovelt/posts/spikesmoke--spiking-neural-networks-for-monocular-3d-object-detection-with-cross-scale-gated-coding/

    ---

    🏛️ 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。

      ]]> https://zhaoylee.github.io/Blogs_lovelt/posts/monoct-overcoming-monocular-3d-detection-domain-shift-with-consistent-teacher-models/ Thu, 12 Mar 2026 10:25:13 +0800 zhaoylee https://zhaoylee.github.io/Blogs_lovelt/posts/monoct-overcoming-monocular-3d-detection-domain-shift-with-consistent-teacher-models/

      ---

      🏛️ 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。

      ]]>