Jun, 2024

自主驾驶的户外激光雷达感知质量评估指导影像

PDF
TL;DR本研究提出了一种新颖的基于图像引导的室外点云质量评估算法（IGO-PQA），该算法利用点云数据、对应的 RGB 环境图像和车辆目标真值注释生成基于单帧 LiDAR 点云的整体质量得分，并通过变换器实现无参考室外点云质量评估的直接预测。评估结果表明，IGO-PQA 生成算法提供了一致且合理的感知质量指标，而 IGO-PQA 回归算法在 nuScenes 数据集上达到了 0.86 的皮尔逊线性相关系数，并在 Waymo 数据集上达到了 0.97。
lidarpoint cloudquality assessmentautonomous drivingalgorithm
发现论文，激发创造
  • 彩色三维点云感知质量评估

    本文介绍了一种新的基于信息内容加权结构相似性的 3D 点云质量评估方法及其数据库，实验结果表明该方法在预测主观质量评分方面表现优异，具有较高的再现性。

    Nov, 2021

  • 基于不确定性的无参考点云质量评估

    通过使用概率建模，本文提出了一种新的点云质量评估方法，使用条件变分自编码器对主观测试的评判随机性进行建模，并生成多个中间质量评分，最终将这些评分整合为准确的质量预测，实现对点云质量的准确评估。实验证明，该方法在不同数据集上表现出色，超越了先前领先的方法。

    Jan, 2024

  • 自主驾驶点云中基于语言的 3D 物体检测

    本文提出了一种新的多模态视觉定位任务，称为 LiDAR Grounding，并通过设计一种名为 MSSG 的多模态单次定位方法来实现，通过跨模态学习来提高定位精度和效率。

    May, 2023

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 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

  • 基于激光雷达点云辅助的单目三维物体检测

    通过使用粗略标签和无标签雷达点云伪标签，LPCG 可以在自动驾驶系统中显著降低标注成本或显著提高检测准确性，在 KITTI 基准测试和 Waymo 基准测试中都取得了很好的效果。

    Apr, 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

  • 基于 RGB 和 LiDAR 融合的自动驾驶 3D 语义分割

    本文旨在研究基于传感器融合技术的三维语义分割，将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示，并设计了早期和中期融合架构，同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果，并相对于仅使用 LiDAR 的基线模型，在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。

    Jun, 2019

  • 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

  • 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