May, 2019

自主驾驶车辆感知的精确合成图像与激光雷达（PreSIL）数据集

PDF
TL;DR使用 GTA V 的 Precise Synthetic Image and LiDAR (PreSIL) 数据集，在自主车辆感知领域中创建了精确的 LiDAR 模拟器并生成了超过 5 万帧包括高清图片，完整分辨率深度信息、语义分割和点级别分割等详细注释，无需人为标注即可自动采集更多数据，并且在使用我们的数据预训练最先进的 3D 目标检测网络时，KITTI 3D 目标检测基准测试平均准确度提高了 5%。
autonomous vehicle perceptionlidar simulatordatasetgta v3d object detection
发现论文，激发创造
  • 自动驾驶中感知的可扩展性：Waymo 开放数据集

    该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集，其中包含了各种城市和郊区地理环境中的 1150 个场景，数据标注为 2D 和 3D 框，而 2D 和 3D 检测和跟踪任务的基线也得到了提供。

    Dec, 2019

  • 基于 GAN 的激光雷达强度模拟

    开发自动驾驶中，真实车辆传感器模拟是重要的因素。我们提出利用基于数据的方法，使用来自实际测试驾驶的相机图像和 LiDAR 扫描数据训练生成对抗网络，实现相互翻译。通过添加分割数据和密集深度图像的相机图像，以及通过测试真实与合成点云之间物体检测网络的泛化效果评估 LiDAR 模拟性能，我们结合这两种方法，模拟并展示了真实的 LiDAR 点云。

    Nov, 2023

  • SurfelGAN: 自主驾驶实际传感器数据合成

    本文提出一种利用少量激光雷达和摄像机数据生成真实场景传感器数据的方法，使用 SurfelGAN 网络重建逼真的相机图像对自主驾驶车辆和场景中移动物体的新位置和方向进行模拟，并在 Waymo 开放数据集上演示其有效性。

    May, 2020

  • 自动驾驶汽车深度学习的培训、测试和增强方法 —— 基于《侠盗猎车手 V》的研究

    使用 GTA-V 虚拟环境生成 480,000 高速公路驾驶标注图像，训练 CNN 检测基本自动驾驶所需的跟驰距离、车道标线和驾驶角度。使用 Unity-lift 的 PVE 重新创建罕见但关键的转角情况，以重新训练和加强机器学习模型，并理解当前自驾模型的局限性。

    Dec, 2017

  • LiDARsim: 通过利用现实世界，实现逼真的激光雷达模拟

    本文提出了一种名为 LiDARsim 的模拟器，利用真实数据生成 3D 场景，通过物理模拟和深度神经网络相结合来生成 LiDAR 点云，用于测试感知算法和评估安全场景。

    Jun, 2020

  • InteriorNet: 大规模多传感器照片真实室内场景数据集

    本研究提供了一份可扩展性强、真实感更强、规模更大、变异性更强、且在训练和评估深度学习方法、基准测试同时定位和映射（SLAM）方面有更广泛用途的数据集，以支持计算机视觉领域的研究。我们使用数百万个专业室内设计和制作级家具资产进行高分辨率和高帧率视频序列渲染，并支持各种摄像头类型以及惯性测量。同时，我们展示了稀疏和密集 SLAM 算法的基准测试结果。

    Sep, 2018

  • PandaSet：自动驾驶高级传感器套件数据集

    介绍了 PandaSet 数据集，包含了使用多种 LiDAR 和摄像头采集的适用于自动驾驶对象检测和语义分割的高质量数据。

    Dec, 2021

  • ParisLuco3D：LiDAR 感知域泛化的高质量目标数据集

    利用 LiDAR 传感器获取关于场景的精确几何信息支持自动驾驶，本文提供一种新颖的数据集，旨在为源数据集的性能评估提供跨领域评估，同时提供一个灵活的在线基准测试，以确保各种方法之间的公平比较。

    Oct, 2023

  • GTA-HDR：大规模合成数据集用于 HDR 图像重建

    本文介绍了 GTA-HDR，一个大规模的合成高动态范围图像数据集，旨在解决从低动态范围图像准确重建出视觉逼真的 HDR 图像的问题，并证明了该数据集在 HDR 图像重建方法和其他计算机视觉任务上的有效性。

    Mar, 2024

  • 自动驾驶中基于 GAN 的 LiDAR 传感器建模和数据增强

    通过 CycleGANs 从未配对的数据中进行图像转换，以实现从模拟 LiDAR 到真实 LiDAR（sim2real）的传感器建模，从低分辨率到高分辨率的真实 LiDAR（real2real）的生成以及使用鸟瞰图和极坐标 2D 表示法处理 LiDAR 3D 点云。实验结果表明，该方法具有很高的潜力。

    May, 2019