Apr, 2024

基于扩散的毫米波雷达点云超分辨率

PDF
TL;DR本论文提出了一种新的点云超分辨率方法，名为雷达扩散。该方法使用受均值回归的随机微分方程定义的扩散模型，并通过与对应的 LiDAR 点云的监督来处理雷达幽灵点，将稀疏的毫米波雷达点云增强为稠密的类似 LiDAR 的点云。通过在两个不同的数据集上评估，实验结果表明我们的方法在 3D 雷达超分辨率任务中优于现有的基准方法。此外，我们证明了我们增强的雷达点云能够进行下游的基于点云的雷达配准任务。
millimeter-wave radarpoint cloud super-resolutionmmwave radar technologylidar point cloudsradar point-based registration
发现论文，激发创造
  • 通过高效的跨模态扩散模型实现密集准确的雷达感知

    本文提出了一种通过交叉模态学习实现密集准确的毫米波雷达点云构建的新方法，并通过广泛的基准比较和实际实验验证了其优越性能和泛化能力。

    Mar, 2024

  • 毫米波感知的可微射频光线追踪

    DiffSBR 是一种基于云图的微波（mmWave) 传感技术的 3D 重建方法，通过不同的可微分光线跟踪引擎模拟雷达点云，再通过梯度优化器调整模型参数以最小化模拟与真实点云之间的差异，实现了对微波信号稀疏性的精确 3D 重建。将基于物理的模拟与梯度优化结合起来，DiffSBR 超越了数据驱动方法的限制开创了微波感知新的范式。

    Nov, 2023

  • 使用毫米波雷达稀疏点云进行人类语义分割

    本文提出了一种用于毫米波雷达稀疏连续点云的语义分割框架，该框架包括图结构和拓扑特征，全局和顺序特征提取模块，以及更适合的损失函数，实验结果表明，该模型在自定义数据集和基准数据集上表现优异。

    Apr, 2023

  • 稀疏毫米波雷达点云中的实时人员追踪与鉴别

    本文提出了一种低复杂度高精度的端到端方法，使用来自低成本 mm 波雷达的稀疏点云序列，结合扩展物体跟踪 Kalman 滤波器和针对雷达点云的有效特征提取和快速推理的深度学习分类器，实时跟踪和识别多个主体，并在一组八个对象中准确识别三个对象，操作速度高达 15 帧 / 秒。

    May, 2021

  • 基于无人机毫米波雷达的多目标三维重建

    本研究探讨了利用安装在无人机上的毫米波雷达传感器对多个物体在空间中重建 3D 形状的可行性，并评估了两个不同的模型，结果表明这两个模型在解决多个物体重建问题方面都很有前途。

    Nov, 2022

  • 加强天气预测：基于深度扩散模型的超分辨率

    本研究探讨了深度学习扩散模型在天气数据超分辨率方面的应用，该新方法旨在增强气象变量的空间分辨率和细节。通过利用扩散模型（特别是 SR3 和 ResDiff 架构），我们提出了一种将低分辨率天气数据转化为高分辨率输出的方法论。我们的实验使用 WeatherBench 数据集，重点研究了两米温度变量的超分辨率，展示了模型生成详细准确的天气图的能力。结果表明，通过加入基于物理的修改，ResDiff 模型在均方误差（MSE）、结构相似性指数（SSIM）和峰值信噪比（PSNR）等方面显著优于传统的 SR3 方法。该研究突显了扩散模型在气象应用中的潜力，为未来天气预测和气候分析的进一步发展提供了见解、挑战和前景。

    Jun, 2024

  • R2P：从毫米波雷达到点云的深度学习模型

    该研究论文提出了一种名为 Radar to Point Cloud (R2P) 的深度学习模型，用于将低可视性环境下基于 mmWave 雷达的粗糙和稀疏点云转换为物体的 3D 点云表示，以实现目标检测和在自主导航系统中的应用，实验结果表明其优于现有的流行方法。

    Jul, 2022

  • 基于点云的毫米波通信主动链路质量预测

    本文探讨利用 LiDAR 获取的三维点云数据进行毫米波通信中的链路质量预测，该方法将替代传统基于图像的方式并且可避免隐私泄露。通过实验验证，该方法证明了在存在人体阻挡时，点云数据可以有效预测毫米波信号强度的大幅度丢失。

    Jan, 2023

  • 基于 GMM 的毫米波雷达多模交通监测中的点云分割

    以毫米波雷达为传感器，提出基于高分辨率雷达点云的混合高斯模型无监督学习算法，在多模态交通监测中取得了良好的分割效果。

    Nov, 2019

  • 重新定义汽车雷达成像：基于领域知识的 1D 深度学习方法用于高分辨率和高效性能

    我们的研究将毫米波雷达成像超分辨率重新定义为一维信号超分辨率光谱估计问题，通过利用雷达信号处理领域知识，引入创新的数据归一化和基于信噪比的损失函数，实现了适用于汽车雷达成像的定制深度学习网络，表现出了可观的可扩展性、参数效率和快速推理速度，以及在雷达成像质量和分辨率方面的提升性能。广泛的测试证实，我们的 SR-SPECNet 在产生高分辨率的雷达距离 - 方位图像方面，超过了现有方法，在不同天线配置和数据集大小方面都表现出色。源代码和新的雷达数据集将在网上公开提供。

    Jun, 2024