基于图注意力网络的 LiDAR 缺失波束重建框架
计算机视觉与模式识别
2025-12-16 v1 人工智能
摘要
自旋转 LiDAR 传感器因硬件老化、灰尘、雪、雾或强反射而触发的垂直波束脱落会移除点云中的 entire 垂直切片，严重降低自动驾驶车辆的 3D 感知能力。本文提出一种基于图注意力网络 (GAT) 的框架，使用当前 LiDAR 帧（无需摄像头图像或时间信息）重建这些缺失的垂直通道。将每个 LiDAR 测距表示为非结构化空间图：点作为节点，边连接相邻点且保持原始波束索引顺序。多层 GAT 在局部几何邻域上学习自适应注意力权重，直接回归脱落位置的缺失仰角 (z) 值。在 1065 组原始 KITTI 序列上进行模拟波束脱落的训练与评估，该方法实现了 11.67 cm 的平均高度 RMSE，87.98% 的重建点落在 10 cm 误差阈值内。单 GPU 上推理耗时 14.65 秒/帧，重建质量随 neighborhood 大小 k 的变化保持稳定。这些结果表明，仅凭原始点云几何即可通过纯图注意力模型有效恢复因现实传感器退化导致的垂直波束缺失。
引用
@article{arxiv.2512.12410,
title = {A Graph Attention Network-Based Framework for Reconstructing Missing LiDAR Beams},
author = {Khalfalla Awedat and Mohamed Abidalrekab and Mohammad El-Yabroudi},
journal= {arXiv preprint arXiv:2512.12410},
year = {2025}
}