RIDDLE: 激光雷达数据压缩与深度范围图像 Delta 编码
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。
Mar, 2021
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
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
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
该研究提出了一种新的基于学习的方法,用于对深度图像进行积极的任务驱动压缩,并将其编码为适用于机器人系统碰撞预测的图像。通过提出一种新颖的 3D 图像处理方法,结合了机器人的尺寸,使得深度图像中表示的障碍物得到适当的 “膨胀”,从而获得机器人在摄像机视锥内沿任意给定射线可行碰撞避免方式的距离。利用这些密切相关的深度和碰撞图像对训练依据变分自动编码器架构的神经网络进行压缩和转换,以获得编码给定深度图像的碰撞信息的潜在表示。通过与经典的任务非特定方法进行比较,我们证明了我们提出的任务驱动编码方法在极低维潜在空间中用于碰撞图像预测任务时显示出更出色的性能。一系列的比较研究表明,该方法能够在高达 4050:1 的压缩比下更好地编码来自具有长距离的复杂场景中的薄障碍物的深度图像和碰撞图像对。
Sep, 2023
通过使用 R2DM 模型和 DDPMs 方法,本研究提出了一种新的用于生成 LiDAR 数据的生成模型,该模型可以基于图像表示生成多样性和高保真度的 3D 场景点云,有效地优化了 KITTI-360 和 KITTI-Raw 数据集的生成任务以及 KITTI-360 数据集的上采样任务。
Sep, 2023
通过利用带闸门相机的三幅图像,我们提出了一种成像框架,实现了与脉冲激光雷达测量相当的高精度深度图,有效地解决了现有扫描激光雷达系统的空间分辨率在大范围内降低的问题。
Feb, 2019
使用压缩感知和交替方向神经网络技术创建了深度循环自编码器,从稀疏 LiDAR 点集中估计出密集的深度图,并表明此方法在仅使用 1800 个参数的情况下能够优于所有以前发表的结果。
Mar, 2018
通过使用 UltraLiDAR 框架,我们可以通过稀疏点云的对齐和生成稠密点云的学习,显著降低成本并提高自动驾驶系统的性能。
Nov, 2023
本文提出了一个新颖的 3D 物体检测框架,可直接处理 LiDAR 原始数据;利用稠密的测距图像,通过 2D 卷积方法高效处理数据,并使用新的 range-conditioned dilation (RCD) 层根据量测距离动态调整连续膨胀率,进一步提高了检测的精度。结合 3D bounding box 细化步骤能够更好地应对遮挡区域,在 Waymo Open 数据集上表现优异,创下了新的基准。
May, 2020