ICCVAug, 2021

在恶劣天气条件下，利用真实的 LiDAR 点云进行雾模拟以进行三维物体检测

PDF
TL;DR本研究采用真实数据模拟雾天环境，提出一种适用于任何 LiDAR 数据集的物理真实雾模拟方法。实验结果表明，我们的方法可以明显提高雾天环境下的 3D 目标检测性能，并为通过现有真实数据集提供了强有力的检测结果。
lidar3d object detectionfog simulationperception methodsseeing through fog
发现论文，激发创造
  • LiDAR 雪量模拟用于鲁棒的三维物体检测

    本文从雪天的实际应用场景出发，提出了一个基于物理仿真的方法来模拟雪天对激光雷达的影响，并通过生成部分合成的雪天激光雷达数据对 3D 目标检测模型进行训练，实现了在雪天环境下具有鲁棒性的检测效果。

    Mar, 2022

  • Lidar 光散射增强（LISA）：基于物理的 3D 物体检测的不良天气条件模拟

    通过物理学模拟，提出一种蒙特卡罗混合方法用于模拟恶劣天气下的 LiDAR 点云数据，从而扩展所有天气条件下目标检测器的可靠性，并表明相对于现有模型，在现实世界的雨天场景中，模型的性能有了显著改进。

    Jul, 2021

  • 自动驾驶增强型激光雷达模拟器

    本文提出一种新的 LiDAR 模拟器，可有效解决困扰自动驾驶车辆的障碍物检测问题。该模拟器通过添加合成障碍物并在背景点云基础上生成注释点云，可以自动为检测器提供训练数据，使其在深度学习中表现出色，并可以实现大规模工业应用。

    Nov, 2018

  • 面向多雨条件下的鲁棒三维物体检测

    通过使用先进的天气监测网络来过滤喷雾，这篇研究提出了一个框架来提高基于 LiDAR 的 3D 物体检测器对泥水喷溅的抗扰动能力，并且进一步探索了雷达目标的应用来过滤误检。实际数据测试表明，该方法改善了多个热门的 3D 物体检测器对泥水喷溅的稳健性。

    Oct, 2023

  • 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

  • CARLA 模拟器中基于 LiDAR 的逼真雨天气模拟

    我们提出了一种基于模拟器的物理建模方法，用于增强在雨天中的 LiDAR 数据，以提高其在此场景下的感知性能。实验证明，通过合成数据增强的模型可以提高在 Waymo 开放数据集的雨天序列中的目标检测任务性能。

    Dec, 2023

  • 提升城市交通管理：用于数据收集和高级目标检测分析的高架式 3D 激光雷达

    本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

    May, 2024

  • PCGen: 用于激光雷达模拟的点云生成器

    提出了 FPA raycasting 和 surrogate model raydrop 方法来解决 LiDAR 模拟器数据中的噪声和几何限制问题，并使用 SMPL 数据集对虚拟现实行人进行了仿真，利用这个方法进行目标检测模型的训练可以达到与实际数据训练模型类似的结果。

    Oct, 2022

  • 寒冷天气条件下的鲁棒三维物体检测

    针对严酷气象条件下车辆尾气对光达测距系统造成的负面影响，提出了一种基于数据增强和新的训练损失项的方法，通过对数据集进行扩充，并惩罚包含噪声的预测来提高物体检测的鲁棒性。

    May, 2022

  • 基于合成和真实数据的模型适应性用于语义密集雾天场景理解

    本文提出了一种新方法，名为 Curriculum Model Adaptation（CMAda），该方法逐步从轻度合成雾到多步中的密集真实雾中，使用合成和真实雾数据将语义分割模型适应于真实的雾天情况。四个主要贡献：1）一种通过语义输入向真实的晴天场景添加合成雾的新方法；2）一种新的雾密度估计器；3）Foggy Zurich 数据集，由 3808 个真实雾天图像组成 16 个具有密集雾级别的像素级语义注释。我们的实验表明，我们的雾模拟在语义雾气场景理解（SFSU）任务方面略优于最先进的相对竞争模拟；CMAda 通过利用未标记的真实雾天数据显著提高了 SFSU 的最先进模型的性能。数据集和代码公开。

    Aug, 2018