Apr, 2024

驯服 Transformer 以实现真实 Lidar 点云生成

PDF
TL;DRLidarGRIT 利用自回归变换器在潜在空间而不是图像空间中迭代采样范围图像，利用 VQ-VAE 分别解码范围图像和射线丢失遮罩，取得了 KITTI-360 和 KITTI odometry 数据集上 SOTA 模型无法比拟的卓越性能。
diffusion modelslidar point cloud generationlidargritauto-regressive transformersvq-vae
发现论文，激发创造
  • 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

  • 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

  • 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

  • 利用激光雷达扩散模型实现逼真场景生成

    提出了一种基于曲线模式和几何真实性的 LiDAR 扩散模型 (LiDMs)，用于生成与 LiDAR 场景更真实的场景，实现了在无条件和有条件下 LiDAR 生成的竞争性性能，并比基于点的 DMs 高效 (快达 107 倍)。

    Mar, 2024

  • DiffiT：用于图像生成的扩散视觉 Transformer

    本文研究了视觉 transformer 在基于扩散的生成学习中的有效性，并提出了一种新的模型 Diffusion Vision Transformers（DiffiT），该模型在多个条件和无条件综合任务中取得了最新的基准成绩，生成了高保真度图片。

    Dec, 2023

  • 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

  • MGTR：利用 LiDAR 进行运动预测的多粒度变压器

    该研究论文介绍了一种多粒度转换器（MGTR）框架，它是一个编码器 - 解码器网络，利用不同粒度的上下文特征来处理不同类型的交通代理。通过整合来自现成的 LiDAR 特征提取器的 LiDAR 语义特征，进一步增强 MGTR 的功能。在 Waymo Open 数据集的运动预测基准测试中评估 MGTR，并展示了该方法在排行榜上取得了领先的性能，排名第一。

    Dec, 2023

  • LISO：纯激光雷达无监督三维物体检测

    自动驾驶堆栈中，3D 物体检测是最重要的组成部分之一，但当前最先进的激光雷达物体检测器需要昂贵而缓慢的人工注释才能取得良好性能。我们引入了一种自我监督方法来训练 SOTA 激光雷达物体检测网络，该方法仅基于未标记的激光点云序列工作，我们称之为轨迹规范化自我训练。我们演示了我们的方法对于多个 SOTA 物体检测网络在多个真实世界数据集上的有效性。

    Mar, 2024

  • 基于条件扩散模型的快速 LiDAR 数据上采样

    本研究介绍了基于条件扩散模型的快速高质量稀疏到稠密三维场景点云的上采样方法，并利用 KITTI-360 数据集证明了该方法在采样速度和质量上优于基准方法。

    May, 2024

  • 多模态变换器增强的 LiDAR 点云生成的生成式人工智能

    通过综合感知和通信技术，提出了一种利用图像和雷达数据合成激光雷达点云的方法，从而增强无线通信系统的性能，并通过与现有感知模态的整合，提高各种无线应用的表现。

    May, 2024