博客的简述

本文提出 Mix-Teaching，首个专为单目 3D 目标检测设计的半监督学习统一框架。针对伪标签“低精度与低召回率”导致的确认偏差痛点，创新性提出“分解-重组”的跨帧实例级混合机制，并结合基于不确定性的过滤策略，优雅且高效地释放了无标注数据的潜力。

针对 M3OD 在未知域“测试时偏移”导致的性能断崖，本文提出双重不确定性优化 (DUO)。核心是通过无监督 Focal Loss 压制语义模糊，并用语义感知法向量约束修复空间几何坍塌，大幅提升落地鲁棒性。

简述:一个框对应多个物体位置，通过施加软标签，帮助网络训练稳定，从而提升一定的性能;

---

🏛️ 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。