面向 3D LiDAR 点云的上下文距离视图投影
计算机视觉与模式识别
2026-02-12 v2
摘要
距离视图投影提供了一种将 3D LiDAR 点云转换为 2D 距离图像表示的有效方法，从而能够利用 2D 深度学习模型进行有效处理。然而，该投影中的一个主要挑战是多对一冲突，即多个 3D 点被映射到距离图像中的同一像素上，这需要一种选择策略。现有方法通常保留深度最小（最接近 LiDAR）的点，忽略了语义相关性和物体结构，导致重要上下文信息的丢失。在本文中，我们通过结合来自实例中心和类别标签的上下文信息扩展了基于深度的选择规则，引入了两种机制：\textit{中心感知投影（CAP）} 和 \textit{类别加权感知投影（CWAP）}。在 CAP 中，根据点到实例中心的距离调整点深度，从而将中心实例点优先于嘈杂的边界点和背景点。在 CWAP 中，通过用户定义的权重对物体类别进行优先级排序，为投影策略提供了灵活性。我们在 SemanticKITTI 数据集上的评估表明，CAP 在投影过程中保留了更多的实例点，与基线相比实现了高达 3.1\% 的 mIoU 提升。此外，CWAP 增强了目标类别的性能，同时对其他类别的性能影响微乎其微。
引用
@article{arxiv.2601.18301,
title = {Contextual Range-View Projection for 3D LiDAR Point Clouds},
author = {Seyedali Mousavi and Seyedhamidreza Mousavi and Masoud Daneshtalab},
journal= {arXiv preprint arXiv:2601.18301},
year = {2026}
}