面向鲁棒 LiDAR 语义分割的自适应增广感知潜在学习
计算机视觉与模式识别
2026-03-03 v1
摘要
恶劣天气条件显著降低 LiDAR 点云语义分割网络的性能，通过引入大的分布性质偏移。现有的增广基于方法试图通过在训练期间模拟天气干扰来增强鲁棒性，但由于在小幅和激进增广之间存在权衡，这些方法难以充分发挥增广的潜在作用。为此，我们提出了 A3Point——一种自适应增广感知潜在学习框架，有效地利用多样化的增广，同时减轻语义偏移（即由增广引起的语义含义变化）。A3Point 包含两个关键组件：捕获模型内在语义混淆信息的语义混淆先验（SCP）潜在学习，以及解耦语义混淆与语义偏移的语义偏移区域（SSR）局部化，使其能够针对不同扰动程度实施自适应优化策略。在多种标准化的针对恶劣天气的 LiDAR 分割基准上进行的大量实验表明，我们方法的有效性，设定了新的状态-of-the-art 结果。
引用
@article{arxiv.2603.01074,
title = {Adaptive Augmentation-Aware Latent Learning for Robust LiDAR Semantic Segmentation},
author = {Wangkai Li and Zhaoyang Li and Yuwen Pan and Rui Sun and Yujia Chen and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2603.01074},
year = {2026}
}
备注
Accepted by International Conference on Learning Representations (ICLR 2026)