ECCVSep, 2022

学习生成真实感 LiDAR 点云

PDF
TL;DRLiDARGen 是一种新颖的、有效的、可控制的生成模型，可以通过去噪声处理流程以及将点云生成过程作为随机去噪声过程表述，为我们提供多样化且高质量的点云样本，同时具有较强的物理可行性和可控性。实验证明，与其他生成模型相比，LiDARGen 可以生成更加逼真的样本，而且可以根据输入对点云进行条件采样，因此可以直接用于加密测距雷达 (point cloud)。
lidargenerative modelpoint clouddenoisingkitti-360
发现论文，激发创造
  • 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

  • 使用神经辐射场生成逼真的 LiDAR 点云

    利用实际数据和图像，我们提出了一种新的 LiDAR 模拟方法 NeRF-LiDAR 用于生成真实的 LiDAR 点云，以便更有效地训练和验证自动驾驶算法，并可以通过预训练来提高准确性。

    Apr, 2023

  • 生成的 LiDAR 点云的逼真度指标

    本文提出了一种基于代理分类任务训练得到的新指标，用于量化 LiDAR 点云数据的逼真度，并利用该指标来确定生成的 LiDAR 数据的逼真度，并将该指标的逼真度估计与分割模型的性能表现进行了比较。

    Aug, 2022

  • 基于深度生成模型的激光雷达数据建模

    本文提出利用深度生成模型解决 Lidar 数据的合成问题，并通过以 2D 坐标点图表示的方法，成功地生成高质量的样本，同时为数据学习了有意义的潜在表示。提出的数据表示方案将 2D 信号与绝对位置信息相结合，对噪声和缺失数据有较好的鲁棒性，有效地恢复出激光雷达扫描图。

    Dec, 2018

  • 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

  • 利用去噪扩散概率模型合成 LiDAR 数据

    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

  • LidarDM：生成世界中的 LiDAR 仿真

    LidarDM 是一种新颖的 LiDAR 生成模型，能够生成逼真、具有布局意识、物理合理和时间连贯的 LiDAR 视频。该模型具有两个前所未有的能力：根据驾驶场景进行 LiDAR 生成，为自动驾驶模拟提供了重要潜力，并且能够生成 4D LiDAR 点云，实现逼真且时间连贯的序列。我们的实验表明，我们的方法在逼真性、时间连贯性和布局一致性方面优于竞争算法。此外，我们还展示了 LidarDM 可用作生成世界模型的模拟器，用于训练和测试感知模型。

    Apr, 2024

  • UltraLiDAR: 学习 LiDAR 补全和生成的紧凑表示

    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

  • 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

  • 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