Mar, 2021

汽车传感器的混合点云语义压缩：性能评估

PDF
TL;DR本文提出了一个管道，用于在汽车场景中高效压缩 LiDAR 观测数据，首先利用 RangeNet++，一个用于语义推断点标签的深度神经网络来减少信道负载，其次是使用 Draco 对选择的点进行压缩，实验证明该方法可以在 LiDAR 的帧率下实现实时性。
autonomous drivinginformation sharinglidarpoint cloud compressiondeep neural network
发现论文，激发创造
  • 基于循环神经网络和图像压缩方法的 3D 点云压缩

    我们提出了一种新的无损校准的 3D 至 2D 转换方法，使压缩算法能够高效利用二维表示中的空间相关性，通过常见的图像压缩方法和利用递归神经网络的自监督深度压缩方法对结构化表示进行压缩，还对 LiDAR 的强度测量值进行密集二维表示，并提出了一种评估压缩性能的新指标。与基于通用八叉树点云压缩或基于原始点云数据压缩的方法相比，我们的方法在定量和视觉性能上取得了最佳效果。

    Feb, 2024

  • 点云压缩框架：智能交通系统中路侧激光雷达的点云压缩

    面向道路激光雷达的点云压缩方法 PointCompress3D，实现了高效的数据存储、流媒体传输和实时物体检测，优化了压缩性能并保持与原始数据的准确性和兼容性。

    May, 2024

  • 针对三维物体检测的基于语义感知的仅激光雷达伪点云生成

    通过使用 LiDAR 传感器和场景语义，我们提供了一种新的仅依靠 LiDAR 传感器的增强型原始扫描的稠密伪点云框架，无需摄像机，该框架首先利用分割模型从原始点云中提取场景语义，然后使用多模态的域转换器生成伪图像分割和深度提示，从而生成一种富含语义信息的稠密伪点云，并通过引入新的语义引导投影方法增强检测性能。

    Sep, 2023

  • 基于边缘辅助的 LiDAR 感知在有损点云压缩中的鲁棒性提升

    我们提出了一种基于深度梯度的插值算法，用于改善 LiDAR 点云的质量，以减轻由于有损压缩导致的感知性能损失。与现有图像插值算法相比，我们的算法在从插值后的范围图像重建点云时显示出更好的定性结果。

    Sep, 2023

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 基于 RGB 和 LiDAR 融合的自动驾驶 3D 语义分割

    本文旨在研究基于传感器融合技术的三维语义分割，将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示，并设计了早期和中期融合架构，同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果，并相对于仅使用 LiDAR 的基线模型，在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。

    Jun, 2019

  • 一种 LiDAR 点云生成器：从虚拟世界到自主驾驶

    本文提出了一个从电脑游戏中快速生成带有准确点级别标签的点云的框架，可用于深度学习算法的训练和神经网络的鲁棒性测试并提出了自动标定方法，实验表明将生成的合成数据与训练数据集相结合可显著提高点云分割的准确性 (+9%)，通过从用户配置场景的点云进行神经网络的测试和重新训练，可以修复神经网络的弱点 / 盲点。

    Mar, 2018

  • Lite-HDSeg：使用轻量级谐波密集卷积进行 LiDAR 语义分割

    本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg，用于三维激光雷达点云的智能语义分割，在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。

    Mar, 2021

  • RIDDLE: 激光雷达数据压缩与深度范围图像 Delta 编码

    该研究提出了一种名为 RIDDLE 的数据驱动范围图像压缩算法，该算法通过深度学习模型进行预测，以更好的利用激光雷达扫描模式，相比于现有的点云和范围图像压缩方法，在相同的失真度下大幅提高了压缩速度。在 Waymo Open 数据集和 KITTI 上的测试结果显示出了显著的效果。

    Jun, 2022

  • RangeLDM：快速逼真的 LiDAR 点云生成

    通过引入 RangeLDM，我们提出了一种快速生成高质量 LiDAR 点云的新方法，通过深度生成模型、变分自编码器和扩散模型来解决传统方法中的限制，从而在自动驾驶中获得稳健的表现和快速生成速度。

    Mar, 2024