CVPRNov, 2023

UltraLiDAR: 学习 LiDAR 补全和生成的紧凑表示

PDF
TL;DR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。
lidarultralidardensepoint cloudslidar completion
发现论文，激发创造
  • 汽车传感器的混合点云语义压缩：性能评估

    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

  • 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

  • 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

  • DenseLiDAR: 一种实时的伪稠密深度导向深度补全网络

    本研究提出了一种新颖的实时伪深度引导深度补全神经网络 DenseLiDAR，利用形态操作得到的稠密伪深度图在三个方面指导网络，取得了最先进的性能，并在 KITTI 3D 对象检测数据集上实现了 3-5％的性能提升，这说明了深度完成结果可以用于改善相关下游任务的潜力。

    Aug, 2021

  • 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

  • 学习生成真实感 LiDAR 点云

    LiDARGen 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)。

    Sep, 2022

  • 实现实际 3D LiDAR 场景补全的扩展扩散模型

    使用扩散模型方法在单个 3D LiDAR 扫描中完成场景实现了比最先进的完成场景方法更多细节的场景，为扩散模型应用于场景规模点云数据的进一步研究提供了支持。

    Mar, 2024

  • 混杂空中 LiDAR 点云的目标分割

    本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。

    Oct, 2022

  • 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

  • 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